Durée du cours en ligne : 5 heure et 13 minutes
Vous souhaitez comprendre vraiment comment fonctionne le deep learning, au-delà des bibliothèques toutes faites? Ce cours en ligne gratuit vous accompagne pas à pas pour construire des bases solides en intelligence artificielle et science des données, avec une approche progressive: de l’intuition mathématique à la mise en pratique, jusqu’aux réseaux profonds.
Au fil des leçons, vous explorez le cœur d’un modèle de neurone artificiel: fonction sigmoïde, frontière de décision et interprétation probabiliste. Vous apprenez à relier la notion de vraisemblance à la fonction de perte log loss, puis à calculer des gradients de manière claire, afin de comprendre ce que signifie optimiser un classifieur binaire. L’objectif est de vous rendre autonome face aux notions clés que l’on retrouve dans tous les projets modernes d’IA.
La formation met aussi l’accent sur la vectorisation, indispensable pour passer d’une équation comprise sur papier à une implémentation efficace sur des lots de données. Vous verrez comment écrire correctement les expressions vectorisées des gradients, manipuler les dimensions des matrices et sécuriser vos calculs, notamment dans un réseau à deux couches. Cette rigueur vous aide à éviter les erreurs fréquentes quand on code la propagation avant et la rétropropagation.
En avançant, vous passez du neurone unique à un réseau de neurones à deux couches, puis à un réseau profond. Vous comprenez comment choisir un seuil de décision, pourquoi normaliser les pixels entre 0 et 1 pour stabiliser l’apprentissage, et comment généraliser la propagation avant quand l’architecture s’agrandit. À la fin, vous avez une vision cohérente de l’entraînement: quelle séquence suivre, quels calculs sont réalisés à chaque étape, et comment relier théorie et code pour préparer des cas d’usage concrets comme la classification d’images.
Que vous soyez débutant en IA, développeur curieux ou profil data qui veut renforcer ses fondamentaux, ce cours vous donne des repères clairs et des exercices pour consolider votre compréhension. Vous repartez avec une méthode pour analyser, implémenter et déboguer vos réseaux de neurones, et un socle fiable pour aborder ensuite des modèles plus avancés.
Leçon vidéo : FORMATION DEEP LEARNING COMPLETE (2021)
30m
Exercice: Dans Deep Learning avec Akademy Performance Digital, quelle est la bonne séquence d’entraînement d’un réseau de neurones ?
Leçon vidéo : LE PERCEPTRON - DEEP LEARNING (02)
24m
Exercice: Quelle relation décrit correctement le lien entre vraisemblance et fonction log loss pour entraîner un classifieur binaire ?
Leçon vidéo : LES GRADIENTS D'UN NEURONE - DEEP LEARNING (03)
33m
Exercice: Quelle est la dérivée de la fonction sigmoïde a = 1/(1+e^(-z)) par rapport à z ?
Leçon vidéo : La VECTORISATION des équations - DEEP LEARNING (04)
20m
Exercice: Dans le cadre du deep learning, quelle est l’expression vectorisée correcte du gradient de la fonction de coût par rapport à w pour un lot de m exemples ?
Leçon vidéo : PROGRAMMATION d'un NEURONE ARTIFICIEL (DEEP LEARNING 5)
38m
Exercice: Frontière de décision pour un modèle linéaire à sortie sigmoïde
Leçon vidéo : NEURONE ARTIFICIEL - CHAT VS CHIEN - DEEP LEARNING 6
58m
Exercice: Deep Learning avec Akademy Performance Digital: pourquoi normaliser les pixels en 0-1 ?
Leçon vidéo : RÉSEAU DE NEURONES (2 COUCHES) - DEEP LEARNING 7
24m
Exercice: Dimensions de W[2] et b[2] pour calculer Z[2] = W[2] A[1] + b[2]
Leçon vidéo : La BACK-PROPAGATION - DEEP LEARNING 8
31m
Exercice: Quelle est l’expression vectorisée correcte du gradient dW2 dans un réseau à deux couches, en notant A1 l’activation de la première couche et dZ2 = A2 - Y ?
Leçon vidéo : PROGRAMMER UN RÉSEAU DE NEURONES à 2 COUCHES - DEEP LEARNING 9
22m
Exercice: Deep Learning — Dans un réseau à deux couches, quel seuil est utilisé pour convertir l’activation a2 en prédiction binaire
Leçon vidéo : RÉSEAU DE NEURONES PROFOND - DEEP LEARNING 10
26m
Exercice: Quelle est la formule g e9n e9rale pour calculer ZC en propagation avant dans un r e9seau profond lorsque A0 = X ?
Découvrez des cours en ligne gratuits de deep learning : réseaux de neurones, entraînement de modèles, CNN, RNN, NLP, vision par ordinateur, optimisation et évaluation. Idéal pour progresser en intelligence artificielle et science des données.
Explorez des cours en ligne gratuits sur les réseaux de neurones et le deep learning : architectures, apprentissage supervisé, optimisation, entraînement de modèles et applications en IA et science des données.
5 heure et 13 minutes du cours vidéo en ligne
Certificat numérique de réussite du cours (gratuit)
Exercices pour développer vos connaissances
100% gratuit, du contenu au certificat
Prêt à commencer ?Téléchargez l’application et commencez dès aujourd’hui !
Installez l'application
dès maintenant pour accéder au coursPlus de 5000 cours gratuits
Programmation, anglais, marketing digital et bien plus encore ! Apprenez ce que vous voulez, gratuitement.
Plan d'études avec IA
L'intelligence artificielle de notre application peut créer un planning d'études pour le cours que vous choisissez.
De débutant à professionnel accompli
Améliorez votre CV grâce à notre certificat gratuit, puis utilisez notre intelligence artificielle pour trouver l'emploi de vos rêves.
Vous pouvez également utiliser le code QR ou les liens ci-dessous.
Des milliers de cours en ligne en vidéo, livres électroniques et livres audio.
Pour tester vos connaissances lors de cours en ligne
Généré directement à partir de la galerie de photos de votre téléphone portable et envoyé à votre adresse e-mail
Téléchargez notre application via QR Code ou les liens ci-dessous :.
+ 10 millions
d'étudiants
Certificat gratuit et
valide avec QR Code
60 mille exercices
gratuits
Note de 4,8/5 dans les
magasins d'applications
Cours vidéo et livres
audio gratuits
Commentaires de cours: Deep Learning
Yattara Ibrahima sory
vraiment j'ai aimé la qualité de cet cours. Un cours très utiles pour les développeurs en intelligence artificielle. Bref c'était génial.