Fidle-à-distance/Présentation.md

@@ -49,7 +49,7 @@ L'idée est de proposer un **découpage en séquences** relativement courtes, de
 
 ### Séquence 1 :  Contexte et historique, de la régression linéaire aux réseaux de neurones.
 - Introduction du cycle
-- Historique et concepts fondamentaux<br>
+- **Historique** et **concepts fondamentaux**<br>
   Fonction de perte - Descente de gradient - Optimisation - Hyperparamètres<br>
   Préparation des données - Apprentissage - Validation - Sous et sur apprentissage<br>
   Fonctions d’activation - softmax
@@ -58,13 +58,24 @@ L'idée est de proposer un **découpage en séquences** relativement courtes, de
 
 
 ### Séquence 2 :  Réseaux convolutifs, gestion des données et supervision.
-- Principes et concepts des réseaux convolutifs
-- Problématiques liées aux données
+- Principes et concepts des **réseaux convolutifs (CNN)**
+- Problématiques liées aux **données**
 - Convolutions - Dropout - Pooling - Monitoring et Tensorboard - Augmentation de données<br>
   Passage à l'échelle (du notebook au batch) - Points de reprise (checkpoint)
 - Exemple proposées : Classification de chiffres manuscrits et de panneaux routiers
 - Durée : 2h
 
+### Séquence 3 : Données creuses à taille variable : L'exemple des données textuelles
+- Spécificités et gestion des **données creuses/textuelles**
+- Principes de **l'Embedding** (Keras, CBOW, Skip-Gram), comment réduire les dimensions.
+- Exemple proposé : Analyse de sentiment avec une analyse de critique de films.
+- Durée : 1h30
+
+### Séquence 4 : Données séquentielles ou quand les données sont des séquences temporelles
+- Données séquentielles et **réseaux récurrents (RNN)**
+- RNN - LSTM - GRU - Spécificités des données séquentielles - Data Generator
+- Exemple proposée : Prédiction d'une séquence temporelle avec une prédiction météorologique à 3h et 12h
+- Durée : 1h30