| ... | ... | @@ -9,19 +9,15 @@ allant des concepts fondamentaux aux architectures avancées (VAE, Transformers, |
|
|
|
Cette formation est totalement libre, gratuite et ouverte à toutes et à tous !
|
|
|
|
|
|
|
|
|
|
|
|
La Séquence 3 : <br>
|
|
|
|
**Un petit pas vers la conduite autonome ? ;-)** <br>**Étude de cas pratique avec un réseau convolutif - Problématiques liées à l'usage "vrais" données** - CNN 2/2<br>
|
|
|
|
est [disponible en ligne](https://youtu.be/Y_-dLWSiMjM) :-)
|
|
|
|
Les séquences précédentes sont [disponibles en ligne sur notre chaine YouTube](https://youtube.com/@CNRS-FIDLE) :-)
|
|
|
|
|
|
|
|
|
|
|
|
## Séquence 04 : Jeudi 8 décembre, 14h
|
|
|
|
## Séquence 05 : Jeudi 15 décembre, 14h
|
|
|
|
|
|
|
|
|**Démystifier les outils mathématiques pour l'apprentissage des réseaux de neurones.**|
|
|
|
|
|**Stratégies d'évaluation des modèles<br>Données creuses, de type textuelles (Embedding)**|
|
|
|
|
|--|
|
|
|
|
|Qu-est ce qu'une descente de gradient ?<br>Comment est calculé le gradient dans les réseaux de neurones (retro-propagation) ?<br>Comment un réseau convolutif transforme t-il les images, couche après couche ?<br>Comment une donnée d'entrée est-elle transformée en prédiction ?<br>"Stochastique"... c'est quoi ? Quel intérêt pour l'apprentissage des réseaux de neurones ?<br>Illustrations :<br> - Rétro-propagation 'à la main' sur un réseau avec des couches denses et convolutionnelles<br> - Transformation d'un image couche après couche dans un réseau convolutionnel <br>Ou comment :<br> [<img width="550px" src="uploads/bb133e071d176732096b0e011601f34a/Maths.gif"></img>](#)<br>N'auront plus de secrets pour vous ! |
|
|
|
|
| Paramètres de diffusion :<br> Zoom : **950 7581 1074**<br>Code : **1618**<br>Lien : https://zoom.us/join <br>Diffusion simultanée en live sur notre chaine **[YouTube](https://www.youtube.com/@CNRS-FIDLE)** :-)<br>Lien : https://www.youtube.com/@CNRS-FIDLE<br>**Si la session Zoom est saturée, rendez-vous sur YouTube !**|
|
|
|
|
|
|
|
|
|
|
|
|
|Une séquence en **deux parties**, presque indépendantes :-)<br>**Partie 1** : Nous nous intéresserons aux **stratégies d'évaluation des modèles.**<br> - Quelle reproductibilité pour un apprentissage ?<br> - Validation simple (Hold out)<br> - Validation simple itérative (Iterative hold out) <br> - Validation croisée (k-fold)<br> - One metric to rule them all, but which one ;-)?<br>**Partie 2** : Nous nous intéresserons ensuite aux **données creuses/textuelles**<br> - Principes de l'Embedding (Keras, CBOW, Skip-Gram)<br> - comment réduire les dimensions.<br>Exemple proposé : Analyse de sentiment avec une analyse de critique de films. <br> [<img width="450px" src="uploads/8992db1189553ca904992995fbc3a8c9/Cinema.png"></img>](#)|
|
|
|
|
| Durée : 2h - Les paramètres de diffusion seront précisé la veille sur cette page|
|
|
|
|
|
|
|
|
A propos de la **[formation Fidle](https://fidle.cnrs.fr/presentation)**
|
|
|
|
Découvrez le **[programme 2022/23](Fidle à distance/Programme)**
|
| ... | ... | |
