Comprendre les réseaux de neurones artificiels

Présentation de la formation

1:23

Introduction aux réseaux de neurones

4:47

Quelques cas d'utilisation

6:38

Le Machine Learning

12:33

Les étapes de modélisation en Data Science

11:39

Du neurone biologique au neurone artificiel

8:11

La modélisation d'un neurone artificiel

4:44

Les fonctions d'assemblage

3:57

Les fonctions d'activation

4:13

La fonction "Loss"

7:47

Le perceptron

5:08

L'apprentissage avec un perceptron

3:43

Apprendre l'opérateur logique AND avec un perceptron

7:00

Les limites du perceptron

2:53

Généralisation du neurone artificiel

6:52

Présentation de l'algorithme de rétropropagation

3:14

Rétropropagation avant

5:17

Calcul des erreurs

3:56

Rétropropagation arrière

5:46

Mise à jour des nœuds d'un réseau de neurones

4:49

Les EPOCHS

4:03

Convergence et arrêt de la phase d'apprentissage

5:49

Données d'entraînement, de validation et de test

5:49

Les couches cachées des réseaux de neurones

2:51

Les réseaux de neurones de type MLP

4:45

Quelques limites des MLP

2:25

Les typologies des réseaux de neurones

8:59

Les réseaux de neurones convolutifs (CNN)

7:13

Les couches de type Drop

4:40

Le Transfer Learning

4:20

L'importance de la diversité des données d'entraînement

5:08

Conclusion

1:11