Introduction aux réseaux neuronaux et apprentissage profond

📋 Plan du Cours

1. Réseaux neuronaux & architecture
2. Fonction d'activation & non-linéarité
3. Propagation avant & calcul de sortie
4. Rétropropagation & ajustement poids
5. Fonction de perte & optimisation
6. Apprentissage supervisé & données d'entraînement
7. Régularisation & prévention du surapprentissage
8. Validation croisée & évaluation du modèle
9. Applications & domaines d'utilisation

📖 1. Réseaux neuronaux & architecture

🔑 Notions clés & Définitions

• Neurone artificiel : unité de base d’un réseau neuronal, inspirée du neurone biologique, qui reçoit des entrées, effectue un calcul (souvent une somme pondérée), puis applique une fonction d’activation pour produire une sortie.
• Couches : ensembles de neurones alignés dans un réseau, comprenant la couche d’entrée, les couches cachées et la couche de sortie.
• Fonction d’activation : fonction appliquée à la sortie d’un neurone pour introduire de la non-linéarité, par exemple ReLU, sigmoid, tanh.
• Réseau feedforward : réseau où l’information circule dans une seule direction, de l’entrée vers la sortie, sans rétroaction.
• Réseau récurrent : réseau où des connexions rétrogrades permettent de traiter des séquences ou des données temporelles.
• Backpropagation : algorithme d’apprentissage permettant d’ajuster les poids du réseau en calculant l’erreur de sortie et en la propageant en arrière pour optimiser les paramètres.

📝 Points essentiels