Help protect the Great Barrier Reef with TensorFlow on Kaggle Join Challenge

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 de poursuivre, 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.

Essence of Linear Algebra
de 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.

Essence of Calculus
de 3Blue1Brown

Dans cette série de courtes vidéos, 3blue1brown s'appuie sur une démarche visuelle pour expliquer les bases du calcul. L'objectif : faire en sorte que vous compreniez parfaitement les théorèmes fondamentaux, et pas seulement comment fonctionnent les équations.

Cours 18.06 du MIT : Linear Algebra

Le cours d'introduction du MIT aborde les théories liées aux matrices et l'algèbre linéaire. Il traite en particulier de sujets utiles dans d'autres disciplines, comme les systèmes d'équations, les espaces vectoriels, les déterminants, les valeurs propres, la similitude et les matrices définies positives.

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 cours 6.S191 du MIT, intitulé "Introduction to Deep Learning" est une ressource très intéressante pour s'initier au deep learning avec TensorFlow.

La spécialisation Deep Learning sur Coursera d'Andrew Ng enseigne également 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 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.

Spécialisation Deep Learning

Cinq cours pour apprendre les bases du deep learning, comment créer des réseaux de neurones, mener à bien des projets de machine learning et devenir un spécialiste de l'IA. La théorie, alliée aux applications pratiques dans le secteur.

⬆ 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.

Deep Learning
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.

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 pour les étudiants désireux d'approfondir le sujet.

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.