... | ... | @@ -13,8 +13,8 @@ Les dates précises seront prochainement ajoutées. |
|
|
|
|
|
- Séquence 1 : [Contexte et historique, de la régression linéaire aux réseaux de neurones.](#s%C3%A9quence-1-contexte-et-historique-de-la-r%C3%A9gression-lin%C3%A9aire-aux-r%C3%A9seaux-de-neurones)
|
|
|
- Séquence 2 : [Réseaux convolutifs, partie 1](#séquence-2-réseaux-convolutifs-partie-1)
|
|
|
- Séquence 3 : Réseaux convolutifs, partie 2
|
|
|
- Séquence 4 : Démystifier les outils mathématiques
|
|
|
- Séquence 3 : [Réseaux convolutifs, partie 2](#séquence-3-réseaux-convolutifs-partie-2)
|
|
|
- Séquence 4 : [Démystifier les outils mathématiques](#séquence-4-démystifier-les-outils-mathématiques)
|
|
|
- Séquence 5 : Données creuses et de type textuelles (Embedding) et Stratégies d'évaluation des modèles
|
|
|
- Séquence 6 : Quand les données sont des séquences, les réseaux récurrents (RNN)
|
|
|
- Séquence 7 : Un détour par PyTorch
|
... | ... | @@ -71,7 +71,7 @@ Contenus avancé, pour aller plus loin :-) |
|
|
- Exemple proposé : Programmation à la main de l'apprentissage d'un réseau convolutif
|
|
|
- Durée : 2h30
|
|
|
|
|
|
### Séquence 5 : Données creuses et de type textuelles (Embedding) et Stratégies d'évaluation des modèles
|
|
|
### Séquence 5 : <br>Données creuses et de type textuelles (Embedding) <br>Stratégies d'évaluation des modèles
|
|
|
- Stratégies d'évaluation des modèles - Hold out, iterative hold out, k-fold, etc.
|
|
|
- Spécificités et gestion des données creuses/textuelles
|
|
|
- Principes de l'Embedding (Keras, CBOW, Skip-Gram), comment réduire les dimensions.
|
... | ... | |