Google is committed to advancing racial equity for Black communities. See how.

Machine learning théorique et avancé avec TensorFlow

Voici les critères à respecter avant de consulter les supports de formation ci-dessous :

  1. Terminer le programme Les bases du machine learning avec TensorFlow ou avoir un niveau de connaissance équivalent

  2. Maîtriser le processus de développement logiciel, en particulier dans le langage Python

Objectifs d'apprentissage du programme :

  1. Mieux comprendre le ML

  2. Comprendre des articles et les mettre en application à l'aide de TensorFlow

Avant d'étudier ces autres ressources, vous devez savoir globalement comment fonctionne le ML ou avoir consulté les supports de formation du programme pour débutants Les bases du machine learning avec TensorFlow. Cette page vise à guider les participants vers des informations plus théoriques et pointues concernant le machine learning. Vous constaterez que la plupart des ressources s'appuient sur TensorFlow. Ces connaissances sont néanmoins transposables aux autres frameworks de machine learning.

Avant d'aller plus loin, vous devez savoir programmer en Python, et maîtriser les calculs, l'algèbre linéaire, les probabilités et les statistiques. Pour vous aider à approfondir vos connaissances sur le ML, nous avons dressé une liste regroupant des ressources et des cours proposés par des universités ainsi que plusieurs manuels.

Étape 1 : Rafraîchir vos connaissances en mathématiques

Le machine learning est une discipline à forte composante mathématique. Il est important de connaître les notions mathématiques sous-jacentes pour créer des modèles de ML ou modifier des modèles existants. Lorsque vous rencontrez un concept avec lequel vous êtes moins à l'aise, étudiez-le. Il n'est pas nécessaire d'apprendre toutes les notions. Si vos cours de mathématiques remontent à très longtemps, regardez les playlists Essence of linear algebra et Essence of calculus sur la chaîne 3blue1brown pour vous remettre à la page. Nous vous conseillons de poursuivre avec un cours proposé par une université ou de visionner les cours vidéo du MIT disponibles en libre accès, par exemple Linear Algebra et Single Variable Calculus.

Concepts mathématiques
Essence of linear algebra, par 3blue1brown

Une série de courtes vidéos par 3blue1brown qui présente, de manière visuelle, la géométrie des matrices, les déterminants et les éléments propres, entre autres.

Concepts mathématiques
Essence of calculus, par 3blue1brown

Dans cette série de courtes vidéos, 3blue1brown explique les bases du calcul, en insistant sur les théorèmes fondamentaux.

Concepts mathématiques
Cours 18.06 du MIT : Linear Algebra

Le cours d'introduction du MIT aborde les théories liées aux matrices et l'algèbre linéaire.

Concepts mathématiques
Cours 18.01 du MIT : Single Variable Calculus

Ce cours d'introduction sur le calcul proposé par le MIT traite de la différentiation et de l'intégration des fonctions à une variable dans les applications.

Étape 2 : Approfondir vos connaissances sur le deep learning avec des cours et des livres

Il est impossible de tout apprendre sur le deep learning en un cours. Ce qui peut vous aider, c'est d'en suivre plusieurs en parallèle. Le contenu risque de se recouper, mais il est toujours intéressant de se faire expliquer des concepts par différentes personnes, avec des méthodologies différentes, surtout s'ils sont complexes. Les cours proposés ci-dessous devraient vous aider à vous lancer. Vous pouvez les consulter en même temps ou choisir ceux qui vous semblent plus pertinents.

N'oubliez pas : plus vous apprendrez et consoliderez ces concepts par la pratique, mieux vous maîtriserez la création et l'évaluation de vos modèles de ML.

Suivez ces cours :

Le programme CS231n : Convolutional Neural Networks for Visual Recognition donne accès à des cours vidéo développés par l'université de Stanford ainsi qu'aux présentations associées. Il décrit les architectures de deep learning, et en particulier les modèles de bout en bout pour les tâches de vision par ordinateur. Il s'agit d'un formidable support pour commencer. Autre ressource très intéressante et plus courte pour s'initier au deep learning avec TensorFlow, le cours 6.S191 du MIT, intitulé "Introduction to Deep Learning". Vous pouvez également tester la série de cours MIT Deep Learning sur les thèmes du deep learning, de l'apprentissage par renforcement profond, des véhicules autonomes et de l'intelligence artificielle, présentée par Lex Fridman.

Enfin, Andrew Ng propose la spécialisation Deep Learning sur Coursera en cinq cours pour apprendre les fondamentaux du deep learning, y compris les réseaux convolutifs, les RNN, les LSTM et plus encore. Cette spécialisation a été pensée pour vous aider à appliquer le deep learning dans un contexte professionnel et à devenir un expert en IA.

Cours en ligne de niveau intermédiaire
CS231n : Convolutional Neural Networks for Visual Recognition

Avec ce cours, plongez au cœur des architectures de deep learning et les modèles de bout en bout pour les tâches de vision par ordinateur, notamment la classification d'images. Regardez les vidéos et consultez les présentations et le programme des saisons précédentes.

Cours en ligne de niveau intermédiaire
Cours 6.S191 du MIT : Introduction to Deep Learning

Ce cours proposé par le MIT permet d'acquérir des connaissances de base sur les algorithmes de deep learning et de s'exercer à créer des réseaux neuronaux avec TensorFlow.

Cours en ligne de niveau intermédiaire
MIT Deep Learning

Une série de cours sur le deep learning, l'apprentissage par renforcement profond, les véhicules autonomes et l'intelligence artificielle, présentée par Lex Fridman du MIT.

Cours en ligne de niveau intermédiaire
deeplearning.ai : Spécialisation Deep learning

Cinq cours pour apprendre les bases du deep learning et comment créer des réseaux de neurones.

⬆ ET ⬇ Lisez ces livres :

En complément des cours ci-dessus, nous vous recommandons d'approfondir vos connaissances grâce aux livres suivants. Ils sont tous disponibles en ligne et incluent de nouveaux contenus pour vous exercer.

Commencez par Deep Learning : An MIT Press Book, co-écrit par Ian Goodfellow, Yoshua Bengio et Aaron Courville. L'objet de ce livre est d'aider les étudiants et les professionnels à renforcer leurs connaissances. Le site Web qui l'accompagne offre d'autres supports, dont des exercices, des présentations de cours, des corrigés et des ressources supplémentaires pour vous entraîner avec les concepts.

N'hésitez pas également à consulter le livre de Michael Nielsen, Neural Networks and Deep Learning, accessible sur Internet. Ce livre fournit des informations générales théoriques sur les réseaux de neurones. Il ne s'appuie pas sur TensorFlow, mais constitue cependant une référence de choix pour les étudiants désireux d'approfondir le sujet.

Livres
Deep Learning : An MIT Press Book, de Ian Goodfellow, Yoshua Bengio et Aaron Courville

L'objet de ce livre est d'aider les étudiants et les professionnels à appréhender le machine learning de manière globale, et le deep learning en particulier.

Livres
Neural Networks and Deep Learning, de Michael Nielsen

Ce livre fournit des informations générales théoriques sur les réseaux de neurones. Il ne s'appuie pas sur TensorFlow, mais constitue néanmoins une référence de choix.

Étape 3 : Lire les articles et les mettre en application à l'aide de TensorFlow

À ce stade, nous vous conseillons de consulter les articles et d'essayer les tutoriels avancés disponibles sur notre site Web pour savoir comment mettre en œuvre les principes abordés dans plusieurs publications de référence. La meilleure façon de se former sur une application plus pointue, la traduction automatique ou le sous-titrage d'images est de parcourir l'article référencé dans un tutoriel. Repérez les portions de code pertinentes et utilisez-les pour consolider vos acquis.