Initiation pratique à l'IA pour débutants (apprentissage profond + PyTorch), bases indispensables en IA

Table des matières du cours :

1. Présentation du cours
– Comprendre le contenu du cours et les objectifs d'apprentissage.

2. Analyse des tâches des réseaux de neurones
– Analyser les tâches que les réseaux de neurones doivent accomplir, pour poser les bases de l'apprentissage.

3. Interprétation des méthodes de mise à jour du modèle
– Interpréter les méthodes et principes de mise à jour du modèle, maîtriser les techniques d'optimisation du modèle.

4. Méthodes de calcul de la fonction de perte
– Apprendre les méthodes de calcul de la fonction de perte, comprendre les critères d'évaluation de l'efficacité du modèle.

5. Interprétation du processus de propagation avant
– Analyser en profondeur le processus et les principes de la propagation avant des réseaux de neurones.

6. Démonstration de la rétropropagation
– Démontrer en pratique le processus de rétropropagation, approfondir la compréhension et maîtriser les techniques.

7. Décomposition de l'architecture des réseaux de neurones
– Analyser en détail l'architecture globale des réseaux de neurones, clarifier les fonctions et rôles de chaque partie.

8. Analyse de visualisation des effets
– Utiliser des outils de visualisation pour analyser les effets des réseaux de neurones, optimiser les performances du modèle.

9. Rôle du nombre de neurones
– Explorer l'impact du nombre de neurones sur l'efficacité du modèle, optimiser la structure du réseau.

10. Prétraitement et dropout
– Apprendre le prétraitement des données et la technique de dropout, améliorer la capacité de généralisation du modèle.

11-25. Réseaux de neurones convolutifs et applications
– Analyser progressivement les principes et applications des réseaux de neurones convolutifs, réaliser des tâches de traitement d'images.

26-32. Framework PyTorch et traitement des données
– Approfondir la compréhension du framework PyTorch et des méthodes de traitement des données, construire et entraîner des modèles.

33-45. Entraînement de modèles d'apprentissage profond
– Apprendre le processus d'entraînement et les techniques des modèles d'apprentissage profond, améliorer l'efficacité du modèle.

46-60. Traitement et entraînement des données textuelles
– Explorer les techniques de traitement et d'entraînement des données textuelles, les appliquer aux tâches de traitement du langage naturel.

61-69. Déploiement et service de modèles
– Apprendre le déploiement de modèles et le traitement côté serveur, pour réaliser l'application de modèles dans des scénarios réels.

70-76. Modèles de transformer visuel
– Analyser les principes et les méthodes d'implémentation des modèles de transformer visuel, appliqués au traitement d'images.

77. Débogage et pratique du code source du projet
– Démontrer le processus de débogage du code source du projet, pour aider les apprenants à comprendre et à appliquer les connaissances acquises.