Les Réseaux **auto-encodeurs (AE)** sont particulièrement intéressants de par leur capacité à effectuer, de manières **non supervisées**, des **représentations compactes** de **données complexe**.
Les **Variational Autoencoder (VAE)** sont une famille de **modèles génératifs capable**
de projeter, de manière **contrôlée**, des données de **grande dimension** dans un espace latent
de **plus faible dimension**.
Ils sont ainsi très utiles pour une large variété de tâches telles que la **reconstruction**, la **détection d’anomalies**, la **réduction de dimensionnalité**, le **débruitage** ou encore la **génération de données**.
Ils sont particulièrement intéressants car, contrairement aux autoencodeurs “basiques”,
la **projection dans l’espace latent** est **organisée** de manière à permettre une **compréhension**
et une **utilisation** de cet espace latent, telle que la génération de données, l’extraction
de caractéristiques ou l’augmentation des données.
Le plan est le suivant :
- Principes et architecture d'un autoencodeur (AE)
- Espace latent, convolution classiques et transposées
- Programmation procédurale avec Keras 3 et pytorch
