... | ... | @@ -15,8 +15,8 @@ Les dates précises seront prochainement ajoutées. |
|
|
- Séquence 2 : [Réseaux convolutifs, partie 1](#séquence-2-réseaux-convolutifs-partie-1)
|
|
|
- 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 5 : [Données creuses et de type textuelles (Embedding) et Stratégies d'évaluation des modèles](#séquence-5-données-creuses-et-de-type-textuelles-embedding-stratégies-dévaluation-des-modèles=
|
|
|
- Séquence 6 : [Quand les données sont des séquences, les réseaux récurrents (RNN)](#séquence-6-quand-les-données-sont-des-séquences-les-réseaux-récurrents-rnn)
|
|
|
- Séquence 7 : Un détour par PyTorch
|
|
|
- Séquence 8 : "Attention Is All You Need", quand les Transformers changent la donne (HB,NC)
|
|
|
![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)
|
... | ... | @@ -77,12 +77,14 @@ Contenus avancé, pour aller plus loin :-) |
|
|
- 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 : 2h
|
|
|
- Durée : 2h / Jeudi 15 décembre 2022, 14h
|
|
|
|
|
|
### Séquence 6 : Quand les données sont des séquences, les réseaux récurrents (RNN)
|
|
|
- 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 : 2h
|
|
|
- Durée : 2h / Jeudi 5 janvier 2023, 14h
|
|
|
|
|
|
### Séquence 7 : Travailler avec des données structurées : Graph Neural Network(GNN)
|
|
|
- Omniprésence et problématique des graphes
|
|
|
- Approches classiques
|
... | ... | |