Réseaux de neurones : fondations et mathématiques

Parcours d'initiation universitaire aux réseaux de neurones, de la définition formelle du neurone à la régularisation et aux optimiseurs avancés. Indépendant du langage de programmation, accessible à un lecteur de niveau lycée scientifique.

1. 00
   Avant-propos

   Pourquoi des réseaux de neurones, à quels problèmes ils répondent, et comment lire ce cours.
   8 min
2. 01
   Le neurone artificiel

   Du biologique au mathématique, ce qui se passe vraiment dans la brique élémentaire d'un réseau.
   18 min
3. 02
   Algèbre linéaire essentielle

   Vecteurs, produits scalaires et matrices, exactement ce qu'il faut pour parler aux réseaux de neurones dans leur langue.
   22 min
4. 03
   Fonctions d'activation

   Identity, sigmoïde, ReLU, tanh : pourquoi elles existent, ce qu'elles donnent, et comment choisir.
   16 min
5. 04
   Le perceptron

   Comment Rosenblatt a fait apprendre une machine sans gradient (1958).
   35 min
6. 05
   Du neurone au réseau multi-couches

   Empiler des neurones pour résoudre XOR, puis approcher presque n'importe quelle fonction.
   22 min
7. 06
   Forward pass et fonctions de coût

   De l'entrée à la prédiction, puis comment lui donner une note.
   20 min
8. 07
   Dérivées et règle de la chaîne

   De la pente d'une courbe au gradient : l'outil qui transforme le paysage de coût en chemin de descente.
   18 min
9. 08
   La rétropropagation

   Un seul passage arrière qui récupère le gradient de tous les poids : la règle de la chaîne, industrialisée.
   22 min