5 ressources gratuites pour comprendre les réseaux de neurones

Les modèles d'apprentissage profond atteignent des performances de pointe dans plusieurs tâches de vision par ordinateur et de traitement du langage naturel. Si vous souhaitez maîtriser l'apprentissage profond, vous devez d'abord comprendre comment fonctionnent les réseaux de neurones, puis explorer les différents types et architectures de réseaux de neurones pour des tâches spécifiques.

Pour vous aider à démarrer, nous avons compilé une liste de ressources gratuites (un mélange de livres, de didacticiels interactifs et de conférences vidéo) qui vous aideront à tout savoir sur les réseaux de neurones. Les ressources sont choisies de manière à couvrir à la fois les fondements théoriques et mathématiques ainsi que la construction de vos propres réseaux de neurones avec des cadres d'apprentissage profond.

Ainsi, que vous soyez un débutant cherchant à apprendre les bases ou un professionnel expérimenté souhaitant se familiariser avec les réseaux de neurones, ces ressources vous seront utiles. Passons-les en revue.

1. Réseaux de neurones et apprentissage profond – Michael Nielsen

Neural Networks and Deep Learning est un livre en ligne gratuit de Michael Nielsen qui vous aidera à vous familiariser avec le fonctionnement des réseaux de neurones. Il s'agit d'un livre adapté aux débutants pour apprendre les principes fondamentaux des réseaux neuronaux, ainsi que les mathématiques requises, en résolvant le problème simple de la reconnaissance des chiffres manuscrits.

Le livre est organisé en six chapitres couvrant les sujets importants suivants :

Utiliser des réseaux de neurones pour reconnaître des chiffres manuscrits
Comment fonctionne la rétropropagation
Améliorer la façon dont les réseaux de neurones apprennent
Le théorème d'approximation universelle
Réseaux de neurones convolutifs

Ce livre propose également des exercices intéressants intercalés entre les sections qui testent votre compréhension. Pour une expérience d'apprentissage plus complète, essayez de résoudre les exercices tout en parcourant les sections.

2. Réseaux de neurones – 3Blue1Brown

Le livre Neural Networks and Deep Learning de Michael Nielsen devrait vous aider à comprendre les bases du fonctionnement des réseaux de neurones. Mais disposer de visuels utiles qui renforcent votre compréhension et développent votre intuition peut être extrêmement utile. Et la playlist Neural Networks de Grant Sanderson de la chaîne 3Blue1Brown vous offre exactement cela.

Cette playlist est une collection de didacticiels vidéo qui fournissent une compréhension visuelle des réseaux de neurones en mettant l'accent sur les éléments suivants :

Qu'est-ce qu'un réseau de neurones ?
Comment les réseaux de neurones apprennent, optimisation de la descente de gradient
À quoi sert la rétropropagation ?
Le calcul derrière la rétropropagation

Vous pouvez utiliser cette liste de lecture en complément du manuel de Michael Nielsen pour développer une solide compréhension.

3. Réseaux de neurones à partir de zéro en Python – Sentdex

Une fois que vous êtes familiarisé avec ce que sont les réseaux de neurones et comment ils fonctionnent, il peut s'avérer très utile de créer votre propre réseau de neurones, à partir de zéro, à l'aide de Python et NumPy. Pour cela, vous pouvez suivre la liste de lecture Neural Networks from Scratch in Python de Sentdex sur YouTube.

Comme son nom l'indique, il s'agit d'une série de conférences vidéo qui vous expliquent comment construire un réseau neuronal : en commençant par un seul neurone, en l'étendant à une couche de neurones et en assemblant des couches pour créer un réseau neuronal. En cours de route, il couvre également les sujets mathématiques nécessaires tels que les produits scalaires et les dérivés.

Au fur et à mesure que vous construisez votre réseau neuronal à partir de zéro, vous comprendrez ce qui suit :

Lots, couches et objets
Fonction d'activation de couche cachée
Activation Softmax
Entropie croisée catégorielle
Fonctions de perte et optimisation

Avec cela, vous devriez pouvoir procéder à la création de réseaux de neurones à l'aide de frameworks d'apprentissage en profondeur tels que PyTorch et TensorFlow.

4. Deep Learning avec PyTorch : un blitz de 60 minutes

Après avoir appris les bases des réseaux de neurones et avoir essayé de créer un réseau de neurones à partir de zéro, vous pouvez apprendre à créer et entraîner des réseaux de neurones avec des frameworks d'apprentissage profond tels que PyTorch et TensorFlow.

PyTorch est un framework Pythonique. Donc, si vous avez une expérience préalable en programmation avec Python, vous devriez trouver relativement simple de démarrer avec PyTorch. Deep Learning avec PyTorch : A 60 Minute Blitz est un didacticiel rapide de l'équipe PyTorch qui couvre ce que vous devez savoir pour commencer à créer des réseaux de neurones avec PyTorch.

Dans ce didacticiel PyTorch adapté aux débutants, vous apprendrez :

Tenseurs et fonctionnement des tenseurs
Introduction à torch.autograd, le moteur de différenciation automatique qui facilite la formation des réseaux neuronaux
Bases de la formation aux réseaux de neurones avec PyTorch
Entraîner un classificateur sur des données d'image

Une fois que vous serez à l'aise avec ces bases, vous pourrez explorer des fonctionnalités plus avancées de PyTorch en fonction de l'application sur laquelle vous travaillez.

5. PyTorch pour l'apprentissage profond et l'apprentissage automatique – freeCodeCamp

Les ressources gratuites que nous avons examinées jusqu'à présent devraient vous aider à comprendre comment fonctionnent les réseaux de neurones, couvrant toutes les mathématiques, l'intuition et la théorie nécessaires. Le didacticiel de 60 minutes sur PyTorch vous permettra de démarrer et de créer des réseaux de neurones avec PyTorch. Il est temps d'aller plus loin et d'améliorer vos compétences PyTorch.

Le cours PyTorch for Deep Learning & Machine Learning est un cours PyTorch complet créé par Daniel Bourke et est accessible gratuitement sur la chaîne YouTube de freeCodeCamps. Le cours est organisé en plusieurs sections couvrant les sujets suivants :

Principes de base de PyTorch : cette section couvre les bases, les tenseurs et les opérations des réseaux de neurones.
Flux de travail PyTorch : cela couvre la création de réseaux de neurones avec PyTorch, l'écriture de boucles de formation et de test, ainsi que l'enregistrement et le chargement de modèles.
Réseaux de neurones pour la classification : cette section sur la classification couvre l'architecture des réseaux de neurones pour la classification en se concentrant sur les fonctions de perte, les optimiseurs et les fonctions d'évaluation de modèle pour les problèmes de classification multi-classes.
Vision par ordinateur : cela se concentre sur l'architecture des réseaux neuronaux pour résoudre les problèmes de vision par ordinateur, créer des réseaux neuronaux convolutifs et des chargeurs de données pour les données par lots, et bien plus encore.
Ensembles de données personnalisés : cette section se concentre sur l'utilisation d'ensembles de données personnalisés dans PyTorch : téléchargement d'ensembles de données, création de chargeurs de données, augmentation des données et sujets connexes.

Vous pouvez également utiliser Learn PyTorch for Deep Learning en complément de ce cours vidéo.

Conclusion

J'espère que vous avez trouvé cette liste de ressources gratuites pour comprendre les réseaux de neurones utile. Nous avons couvert diverses ressources pour vous aider à apprendre les bases théoriques ainsi qu'à mettre en œuvre des réseaux de neurones avec PyTorch.

Une fois que vous êtes à l'aise avec les principes fondamentaux, passer à un framework comme TensorFlow ou en apprendre davantage pour suivre les progrès de la recherche sur l'apprentissage profond devrait être relativement plus facile. Alors bon apprentissage en profondeur !