Dans ce module, vous apprendrez les concepts fondamentaux des réseaux neurones, couvrant le modèle du perceptron, les paramètres du modèle et l'algorithme de rétropropagation. Vous apprendrez également à implémenter un réseau de neurones à partir de zéro et à l'appliquer à la classification d'images MNIST, en évaluant les performances par rapport à la fonction de bibliothèque de sklearn.

Dans ce module, vous vous pencherez sur les techniques permettant d'améliorer les performances et la généralisation des modèles d'apprentissage automatique. Vous comprendrez la nécessité de la régularisation pour atténuer le surajustement, comparerez les méthodes de régularisation L1 et L2, comprendrez l'élagage des arbres de décision, explorerez la régularisation de l'abandon dans les réseaux neurones et observerez comment la régularisation façonne les limites de décision du modèle

Dans ce module, vous couvrirez les concepts essentiels et les compétences pratiques en matière de Deep learning à l'aide de PyTorch. Vous apprendrez également les graphes de calcul dans l'apprentissage supervisé, créerez et manipulerez des tenseurs dans PyTorch, comparerez les fonctions d'activation et de perte, apprendrez les étapes de mise en œuvre et les fonctions de bibliothèque pour l'entraînement des réseaux neurones, et optimiserez les modèles en les exécutant sur GPU pour des performances accrues.

Dans ce module, vous vous concentrerez sur les applications avancées des réseaux neuronaux convolutifs (CNN) en utilisant PyTorch. Vous apprendrez également à mettre en œuvre des filtres CNN, à comparer différentes architectures CNN, à développer des modèles pour des tâches de traitement d'images dans PyTorch, et à explorer des techniques de modélisation de signaux temporels audio à l'aide de caractéristiques Spectrogram pour une analyse et une classification améliorées.