Introduction aux réseaux de neurones profonds

📋 Plan du Cours

1. Architecture et fonctionnement des réseaux multi-couches (DNN)
2. Théorème d’approximation universelle des réseaux multicouches
3. Propagation avant dans un perceptron multicouche avec fonctions sigmoïdes
4. Rétropropagation et calcul des gradients pour l’entraînement des réseaux
5. Exemple détaillé de calcul de gradient dans un réseau à une couche cachée
6. Propagation des dérivées partielles dans les couches cachées et entraînement par descente de gradient
7. Entraînement d’un perceptron multi-couche : rétropropagation et défis historiques
8. Principes et enjeux du deep learning et architectures avancées (RNN, CNN, CapsNets)

📖 1. Architecture et fonctionnement des réseaux multi-couches (DNN)

🔑 Notions clés & Définitions

• Réseau multi-couche : Architecture de réseau de neurones caractérisée par plusieurs couches successives, définies par leur nombre et la taille de chacune, où chaque neurone d’une couche intermédiaire ou de sortie reçoit en entrée les sorties des neurones de la couche précédente sans rétroaction.
• Thierry Montaut : Enseignant associé à la formation sur les réseaux de neurones artificiels dans le cadre de la licence d’informatique à Champollion Albi.

📝 Points essentiels