TensorFlow pour débutants : apprentissage profond avec TensorFlow

Name: TensorFlow pour débutants : apprentissage profond avec TensorFlow
Author: Josh Turner

Apprenez les principes fondamentaux de l’apprentissage profond avec TensorFlow et explorez les différentes méthodes utilisées dans ce domaine

Preview the first lesson free — get full access to all 3 lessons.

Demander une démo Se connecter

Cours : à la demande

Bonjour, je m'appelle Josh Turner. Dans ces leçons, je vais vous apprendre les méthodes d'apprentissage profond, le perceptron multicouche et l'apprentissage des représentations. Commençons. En apprentissage automatique, nous discutons de deux types fondamentaux de méthodes d'apprentissage, régression et classification. Dans cette leçon, je vais vous apprendre une régression profonde modèles d'apprentissage et certaines classifications d'apprentissage profond des modèles. La première chose dont nous discuterons est la régression. Les modèles de régression sont parfaits pour faire des choses comme des prédictions et des inférences sur différents types de données, ainsi que interpolation entre des points de données donnés. Le premier modèle de régression et le plus basique que nous aimons utiliser dont on parle aujourd’hui est le perceptron multicouche. Le perceptron multicouche peut être implémenté dans TensorFlow en utilisant la structure de couches TensorFlow. L'idée de base est de construire un modèle en utilisant couches connectées suivantes. Vous commencez avec une sorte de données d'entrée et vous les mettez dans un couche composée de poids et de biais. Cette couche utilise les pondérations et les biais pour créer des calcul mathématique, donnant une sorte de données de sortie. Les données de sortie seront alors les données d'entrée pour le prochain ou couche suivante, qui comprend également des poids et des biais. Ce processus est répété jusqu'à ce qu'un résultat final soit obtenu. Le Le prochain type de modèle de régression dont nous devrions discuter est le RNN slash Classe de modèle LSTM. RNN signifie Réseau neuronal récurrent. LSTM signifie Mémoire à long terme et à court terme. Ceux-ci permettent des relations de récurrence de base dans nos données. Il suit donc essentiellement la structure des couches, mais permet des couches qui se réitèrent et se rappellent. Nous pouvons l'utiliser pour modéliser des données de séries chronologiques pour des choses comme prévisions de ventes ou la prévalence et la propagation de maladie. D'accord, ce sont des modèles d'apprentissage profond par régression. Parlons maintenant du deuxième type d'apprentissage profond méthode, qui est classification. Les modèles de classification sont très utiles à tout data scientist. Nous pouvons utiliser des classifications d'images. Nous pouvons classer les villes par emplacements. On peut classer différents types de voitures, etc. Toute tâche de classification à laquelle vous pouvez penser, nous pouvons l'utiliser et créer un modèle de classification pour aider à prédire avec cela tâche. Dans TensorFlow, il existe de nombreux types différents de modèles de classification. Nous allons en discuter quelques-uns maintenant. Le premier modèle dont je voudrais discuter est le Réseau de neurones convolutifs ou CNN. CNN peut être implémenté dans TensorFlow en suivant la couche structure également. Et ceux-ci sont parfaits pour la classification d'images ou, comme je l'ai dit avant, vraiment n'importe quelle tâche de classification. L'idée de base est la même. Nous avons une sorte de données d'entrée. Nous le mettons en une seule couche. La sortie de cette couche sera l’entrée de la couche suivante et le processus est répété. Cependant, il existe une différence avec les CNN. Ces calques ont des noms spéciaux et peuvent nécessiter des techniques mathématiques que le multicouche ordinaire perceptron. La première couche qui est très importante pour CNN est la couche convolutive. La couche suivante est la couche de pooling. Une fois que nous comprenons ces couches, nous pouvons répéter ce processus et obtenir un résultat final ou une prédiction. La méthode d'apprentissage profond de classification finale que j'aimerais discuter avec vous s’appelle l’apprentissage des représentations. L’apprentissage des représentations peut également suivre une structure modèle. C'est un peu différent de la classification des images, cependant. Il classe les images, mais il crée également des images. Et l'idée de base est la suivante. Vous commencez avec une sorte de données d'entrée et vous les exécutez dans un modèle appelé encodeur. L'encodeur donnera une sorte de sortie qui rendra le des données beaucoup plus petites et les projeter dans un espace latent. Cela nous permet d’apprendre uniquement les fonctionnalités les plus importantes. L'image ou les données sont ensuite envoyées dans un décodeur où un message final une prédiction est faite. D'accord, ce sont de bonnes méthodes d'apprentissage en profondeur. Merci d'avoir regardé. Restez à l'écoute pour la prochaine leçon où vous en apprendrez davantage sur perceptron multicouche.

Débutant Fournisseur : Josh Turner 3 leçons · 20m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

L'apprentissage profond est un domaine qui évolue rapidement, et avoir une compréhension fondamentale des différentes méthodes et techniques utilisées dans l'apprentissage profond peut être précieux pour les professionnels de ce domaine. Dans ces leçons, vous découvrirez les différentes méthodes d'apprentissage profond utilisées dans le domaine, notamment les réseaux de neurones convolutifs (CNN) et les perceptrons multicouches (MLP). Vous découvrirez également les différents noms utilisés pour les poids dans l'apprentissage profond et explorerez les différentes fonctions de perte qui peuvent être utilisées dans un réseau neuronal, telles que l'erreur quadratique moyenne (MSE), l'entropie croisée catégorielle éparse et l'entropie croisée binaire.

Ensuite, vous allez explorer les différents types de couches utilisées dans les réseaux de neurones convolutifs (CNN), telles que la couche convolutive, la couche de mise en commun et la couche d'aplatissement. Vous découvrirez également les différentes couches d'un perceptron multicouche (MLP), qui est un autre type de réseau neuronal couramment utilisé dans l'apprentissage profond.

Vous allez maintenant vous plonger dans les auto-encodeurs, qui sont un type de réseau neuronal utilisé pour l'apprentissage non supervisé. Vous découvrirez les différentes couches d'un Autoencodeur, y compris la couche d'encodage et la couche de décodage. Vous explorerez également les avantages d'avoir une couche plus petite dans un auto-encodeur et comment cela peut améliorer l'efficacité du modèle.

Dans l'ensemble, vous découvrirez l'un des jeux de données populaires disponibles dans les jeux de données TensorFlow et découvrirez les applications des auto-encodeurs dans l'apprentissage des fonctionnalités dans les images. Vous découvrirez également si la couche Autoencodeur doit être plus grande et comprendrez le raisonnement qui la sous-tend.

Ce que vous allez apprendre

Reconnaître les différentes méthodes d'apprentissage en profondeur (deep learning) utilisées dans le domaine, y compris les réseaux de neurones convolutifs (CNN) et les perceptrons multicouches (MLP)
Décrire les différents noms utilisés pour les poids (weights) dans le deep learning
Expliquer les différentes fonctions de perte (loss functions) utilisées dans les réseaux de neurones, telles que l'erreur quadratique moyenne (MSE), l'entropie croisée catégorielle clairsemée (Sparse Categorical Cross-Entropy) et l'entropie croisée binaire (Binary Cross-Entropy)
Identifier les différents types de couches utilisées dans les CNN, y compris les couches de convolution, de regroupement (Pooling) et d'aplatissement (Flatten)
Explorer les auto-encodeurs (Autoencoders) pour l'apprentissage non supervisé, y compris les couches d'encodage et de décodage
Découvrir un ensemble de données (dataset) TensorFlow populaire et les applications des auto-encodeurs dans l'apprentissage des caractéristiques (features) des images

Points clés à retenir

Le Deep Learning (apprentissage en profondeur) utilise plusieurs méthodes, notamment les réseaux de neurones convolutifs (CNNs) et les perceptrons multicouches (MLPs).
Les réseaux de neurones peuvent utiliser différentes fonctions de perte, telles que l'erreur quadratique moyenne (MSE), l'entropie croisée catégorielle clairsemée (Sparse Categorical Cross-Entropy) et l'entropie croisée binaire.
Les réseaux de neurones convolutifs sont construits à partir de types de couches comprenant la couche de convolution (Convolutional), la couche de regroupement (Pooling) et la couche d'aplatissement (Flatten).
Les auto-encodeurs sont un type de réseau neuronal utilisé pour l'apprentissage non supervisé, composé d'une couche de codage et d'une couche de décodage.
Une couche plus petite dans un auto-encodeur peut améliorer l'efficacité du modèle et l'aider à apprendre des caractéristiques (features) dans les images.

Foire aux questions

À qui s'adresse ce cours ?

Il s'adresse aux professionnels du domaine de l'apprentissage profond (deep learning) qui souhaitent acquérir une compréhension fondamentale des différentes méthodes et techniques utilisées dans ce domaine.

Quelles méthodes de deep learning le cours couvre-t-il ?

Il couvre les méthodes de deep learning, notamment les réseaux de neurones convolutifs (CNN), les perceptrons multicouches (MLP) et les auto-encodeurs (Autoencoders).

Qu'apprendrai-je sur les fonctions de perte (loss functions) ?

Vous explorerez les différentes fonctions de perte utilisées dans un réseau neuronal, telles que l'erreur quadratique moyenne (MSE), l'entropie croisée catégorielle clairsemée (Sparse Categorical Cross-Entropy) et l'entropie croisée binaire.

Quels sont les auto-encodeurs abordés dans ce cours ?

Les auto-encodeurs (Autoencoders) sont un type de réseau de neurones utilisé pour l'apprentissage non supervisé ; le cours couvre leurs couches d'encodage et de décodage, les avantages d'avoir une couche plus petite, et leurs applications dans l'apprentissage des caractéristiques (features) des images.

Quelles compétences ce cours développe-t-il ?

Il développe des compétences en TensorFlow, Deep Learning, méthodes de Deep Learning, auto-encodeurs (Autoencoders), apprentissage de caractéristiques (Feature Learning) et ensembles de données d'entraînement (Training Datasets).