Scheda di revisione: Optimisation et Régularisation en Apprentissage Profond

1. 📌 L'essentiel

• La fonction de perte totale est la moyenne ou somme sur tous les exemples.
• La desc de gradient ajuste les paramètres en fonction gradient de la perte.
• La backpropagation calcule efficacement les gradients via la règle de chaîne.
• Le surapprentissage survient quand le modèle mémorise le bruit, contrôlé par régularisation et early stopping.
• La régularisation L2 (weight decay) pénalise les poids importants, L1 favorise la sparsité.
• Dropout désactive aléatoirement des neurones pour améliorer la généralisation.
• Les optimisateurs avancés (Adam, RMSProp) combinent plusieurs techniques pour une convergence plus rapide.
• La sélection des hyperparamètres (taux d'apprentissage, régularisation) est cruciale.
• La complexité du paysage de la perte peut causer oscillations ou stagnation.
• La capacité du modèle doit être adaptée pour éviter sous- ou sur-apprentissage.

2. 🧩 Structures & Composants clés

• Modèle de réseau neuronal — fonction paramétrique non linéaire $h_\omega : X \to Y$.
• Fonction de perte — mesure l'erreur entre prédiction et vérité ($L(\omega)$).
• Activations non linéaires — ReLU, tanh, sigmoid, rendant $h_\omega$ non linéaire.
• Gradient descent — méthode d'optimisation pour ajuster $\omega$.
• Backpropagation — calcul efficace des gradients par la règle de chaîne.
• Régularisation — pénalités ajoutées pour limiter la capacité du modèle.
• Optimiseurs — SGD, Momentum, Adagrad, RMSProp, Adam.
• Hyperparamètres — taux d'apprentissage, taille de batch, régularisation.

3. 🔬 Fonctions, Mécanismes & Relations

• La perte totale est la moyenne sur tous les exemples, permettant une mise à jour globale.
• La descente de gradient ajuste $\omega$ dans la direction du gradient négatif.
• La backpropagation utilise la règle de chaîne pour calculer tous les gradients efficacement.
• La régularisation L2 ajoute $\lambda \|\omega\|_2^2$, décourageant les poids importants.
• La régularisation L1 ajoute $\lambda \|\omega\|_1$, favorisant la sparsité.
• Dropout désactive aléatoirement des neurones, réduisant la co-dépendance.
• Data augmentation augmente la diversité des données d'entraînement.
• Adam combine momentum et adaptativité pour une meilleure convergence.
• La difficulté réside dans le choix du taux d'apprentissage et la gestion du paysage de la perte.

4. Tableau comparatif : Régularisation L1 vs L2

Élément	Caractéristiques clés	Notes / Différences
Régularisation L2	$L_{2}(\omega) = L_{train} + \lambda \|\omega\|_2^2$	Décourage les poids importants, lisse la surface
Régularisation L1	$L_{1}(\omega) = L_{train} + \lambda \|\omega\|_1$	Favorise la sparsité, peut conduire à des poids nuls

5. 🗂️ Diagramme Hiérarchique ASCII

Régularisation et Optimisation
 ├─ Modèle NN
 │   ├─ Fonction de perte
 │   ├─ Non linéarité (ReLU, tanh)
 │   └─ Gradient descent
 ├─ Surapprentissage
 │   ├─ Capacité excessive
 │   └─ Régularisation, early stopping
 ├─ Techniques de régularisation
 │   ├─ L2 (Weight decay)
 │   ├─ L1 (Sparsité)
 │   ├─ Dropout
 │   └─ Data augmentation
 └─ Optimiseurs avancés
     ├─ SGD + Momentum
     ├─ Adagrad
     ├─ RMSProp
     └─ Adam

6. ⚠️ Pièges & Confusions fréquentes

• Confondre régularisation L1 et L2 : L1 favorise la sparsité, L2 décourage les poids importants.
• Croire que dropout élimine totalement le surapprentissage : c'est une régularisation implicite.
• Penser que la régularisation est toujours nécessaire : dépend du problème et de la complexité.
• Sous-estimer l'importance du tuning hyperparamètres.
• Confondre surcapacité (overfitting) et sous-capacité (underfitting).
• Croire que tous les optimisateurs donnent des résultats similaires.
• Ignorer l'effet du taux d'apprentissage sur la stabilité.
• Confondre la régularisation sur poids et biais (souvent évitée).

7. ✅ Checklist Examen Final

• Comprendre la différence entre sur- et sous-capacité.
• Savoir comment la régularisation L1 et L2 agissent.
• Expliquer le principe de la backpropagation.
• Connaître les principaux optimisateurs (SGD, Adam, RMSProp).
• Savoir quand utiliser early stopping.
• Comprendre l’impact de la taille de batch.
• Savoir comment la data augmentation limite le surapprentissage.
• Être capable d’interpréter un paysage de perte.
• Connaître les effets du dropout.
• Savoir ajuster les hyperparamètres pour optimiser la convergence.
• Comprendre la relation entre complexité du modèle et généralisation.
• Identifier les pièges courants en optimisation.
• Expliquer le rôle de la normalisation par batch.
• Connaître les techniques pour limiter la croissance des poids (Max-Norm).
• Savoir différencier régularisation et normalisation.
• Être capable de choisir une technique de régularisation selon le contexte.
• Maîtriser les notions de convergence et stabilité en optimisation.