Dans le module 2, nous aborderons les réseaux neuronaux convolutifs (CNN). Un CNN, également connu sous le nom de ConvNet, est un type spécialisé d'algorithme d'apprentissage profond principalement conçu pour les tâches qui nécessitent la reconnaissance d'objets, y compris la classification, la détection et la segmentation d'images. En particulier, nous discuterons des couches importantes dans les CNN, telles que la convolution, la mise en commun. Nous montrerons également différentes applications des réseaux neuronaux (CNN).

Dans le module 3, nous fournirons d'importants conseils pratiques sur le Deep learning, notamment le choix de la fonction d'activation, les méthodes d'apprentissage par descente de gradient adaptative, la régularisation et le décrochage.

Dans le module 4, nous aborderons les Réseaux de neurones récurrents (RNN) qui sont utilisés pour les données réseau séquentielles. Le RNN est un type de réseau de neurones dans lequel la sortie de l'étape précédente sert d'entrée à l'étape actuelle. Nous aborderons en particulier la version Vanila des RNN et la Mémoire court terme et long terme (LSTM). Nous aborderons également les problèmes d'apprentissage des RNN.

Dans le module 5, nous aborderons les modèles génératifs. En particulier, les réseaux antagonistes génératifs (GAN) et les modèles de diffusion (DM). Les réseaux antagonistes sont une façon d'entraîner un modèle génératif en formulant le problème comme un problème d'apprentissage supervisé avec deux sous-modèles : le modèle générateur que nous entraînons pour générer de nouveaux exemples, et le modèle discriminatif qui tente de classer les exemples comme vrais ou faux. Les DM sont des chaînes de diffusion de Markov permettant d'ajouter lentement du bruit aléatoire aux données, puis d'apprendre à inverser le processus de diffusion pour construire des échantillons de données souhaités à partir du bruit.

Dans le module 6, nous aborderons un puissant modèle de Deep learning - le transformateur. Le transformateur est un composant de réseau neuronal qui peut être utilisé pour apprendre des représentations utiles de séquences ou d'ensembles de points de données. Le transformateur a été à l'origine d'avancées récentes dans le traitement du langage naturel, la vision par ordinateur et la modélisation spatio-temporelle.

Dans le module 7, nous aborderons la compression des réseaux neurones. La compression de modèle réduit la taille d'un réseau neurones sans compromettre la précision. Cette réduction de taille est importante car les réseaux neurones plus volumineux sont difficiles à déployer sur des appareils aux ressources limitées.

Dans le module 8, nous aborderons l'apprentissage par transfert. L'Apprentissage par transfert est une technique d'apprentissage automatique qui réutilise un modèle développé pour une tâche donnée comme point de départ d'un nouveau modèle pour accomplir une nouvelle tâche. En particulier, nous discuterons du réglage fin, de l'apprentissage multitâche, de l'apprentissage adverbial de domaine et de l'apprentissage zéro coup.

Ce module contient l'évaluation sommative du cours qui a été conçue pour évaluer votre compréhension du matériel du cours et votre capacité à appliquer les connaissances que vous avez acquises tout au long du cours.