Professionnel en Apprentissage profond — Guide d'étude

Un guide d'étude visuel et basé sur des exemples pour la certification Professionnel en Apprentissage profond. Construisez un modèle mental fonctionnel des réseaux de neurones : la passe avant, la rétropropagation et la règle de dérivation en chaîne, les activations et les pertes, les optimiseurs et les plannings, l'initialisation et les pathologies du gradient, la boîte à outils complète de régularisation et de normalisation, et les deux grandes familles d'architectures — CNN et RNN/LSTM — ainsi que les plongements, l'apprentissage par transfert et les aspects pratiques des GPU et de la taille de lot. Diagrammes, tableaux comparatifs et une passe avant et arrière entièrement détaillée.

Key facts

• Course price: $195 (one-time payment)
• Field: Artificial Intelligence & LLMs
• Prepares for: Apprentissage Profond Professionnel
• 5 modules · 15 lessons · about 4 hours of lessons
• Self-paced, online, illustrated lessons

Course outline

1. Neurones, réseaux et passage avant — Du perceptron à un réseau multicouche : comment un passage avant transforme les entrées en prédictions, et pourquoi la non-linéarité est essentielle.
   • Le perceptron et le MLP
   • La propagation avant, étape par étape
   • Softmax et prise de décision
2. Rétropropagation et règle de la chaîne — Comment un réseau apprend : pertes, règle de la chaîne, flux de gradient arrière, et un petit passage avant et arrière entièrement travaillé.
   • Fonctions de perte : MSE et entropie croisée
   • La règle de la chaîne et la passe arrière
   • Exemple travaillé : une petite passe avant + arrière
3. Activations, optimiseurs et taux d'apprentissage — Les leviers qui font fonctionner l'entraînement : fonctions d'activation, la famille d'optimiseurs de SGD à Adam, et les programmes de taux d'apprentissage — avec la boucle d'entraînement.
   • Comparaison des fonctions d'activation
   • Optimiseurs : SGD, Momentum, RMSprop, Adam
   • Programmes de taux d'apprentissage et échauffement
4. Entraîner des réseaux profonds qui fonctionnent vraiment — Initialisation, pathologies du gradient, régularisation et normalisation — plus la boucle d'entraînement complète qui relie le tout.
   • Initialisation et pathologies du gradient
   • Régularisation : Dropout, Weight Decay, Early Stopping
   • Normalisation et boucle d'entraînement
5. CNN, RNN et apprentissage par transfert — Les deux grandes familles d'architectures — convolutionnelles et récurrentes — plus les plongements, l'apprentissage par transfert, l'augmentation et les réalités GPU/taille de lot.
   • Réseaux de neurones convolutifs
   • RNN, LSTM et GRU pour les séquences
   • Embeddings, apprentissage par transfert et réalité matérielle