Skip to main content

Introduction

Jusqu'à présent, nous avons principalement travaillé avec des réseaux de neurones entièrement connectés (Dense). Dans cette séance, nous allons explorer deux architectures de réseaux de neurones profonds qui sont particulièrement efficaces pour traiter des types de données spécifiques :

  • Réseaux de neurones convolutifs (CNNs) : Pour les données structurées en grilles (images, vidéos, signaux audio, etc.).
  • Réseaux de neurones récurrents (RNNs) : Pour les données séquentielles (texte, séries temporelles, etc.).
Objectifs de la Séance
  • Comprendre les concepts clés des CNNs : convolution, pooling, padding, stride.
  • Comprendre l'architecture d'un CNN typique.
  • Savoir implémenter un CNN avec Keras pour la classification d'images.
  • Comprendre les concepts clés des RNNs : séquences, mémoire, cellules LSTM et GRU.
  • Connaître les applications typiques des RNNs.
  • Savoir implémenter un RNN simple avec Keras.

Plan de la Séance​

Cette séance est divisée en deux parties principales :

  1. Réseaux de Neurones Convolutifs (CNNs) : Nous découvrirons les principes fondamentaux des CNNs, leur architecture, et comment les utiliser pour la classification d'images.

  2. Réseaux de Neurones Récurrents (RNNs) : Nous explorerons les concepts de base des RNNs, leurs applications, et nous implémenterons un RNN simple.

tip

Les CNNs et les RNNs sont des architectures puissantes et largement utilisées. Cette séance vous donnera une introduction solide à ces concepts, mais il faudra du temps et de la pratique pour les maîtriser pleinement.