Tutoriels sur l'apprentissage profond

Il existe un nombre optimal de couches cachées et de neurones pour un réseau de neurones artificiels (RNA). Ce tutoriel présente une approche simple pour déterminer ces nombres optimaux pour les couches et les neurones d’un RNA.

Dans ce tutoriel, vous implémenterez un article de recherche en imagerie médicale avec Python dans Keras.

Maîtrisez le fonctionnement des réseaux LSTM, à la base des LLM modernes. Explorez les portes, les gradients et construisez un classificateur de sentiment avec PyTorch.

Dans ce tutoriel, vous découvrirez un aperçu de l’intelligence artificielle (IA) et verrez en détail ce qui distingue le machine learning (ML) du deep learning.

Découvrez les différences clés entre PyTorch, TensorFlow et Keras, trois frameworks de deep learning majeurs. Comprenez leurs caractéristiques, atouts, limites et cas d’usage pour choisir l’outil adapté à votre projet.

Dans ce tutoriel, vous apprendrez à lire des images d’IRM cérébrales au format NIfTI et à les reconstruire à l’aide d’un autoencodeur convolutionnel.

Visualisez les paramètres d’entraînement, les métriques, les hyperparamètres ou toute statistique de votre réseau de neurones avec TensorBoard !

Apprenez à construire un réseau de neurones et à le former, l’évaluer et l’optimiser avec TensorFlow

Apprenez à exécuter le modèle TRIBE v2 de Meta sur Google Colab, à prédire l’activité corticale à partir de stimuli naturalistes et à visualiser les résultats sous forme de cartes thermiques 3D interactives.

Apprenez ce qu'est le traitement du langage naturel (NLP) et découvrez son application dans le monde réel, en utilisant Google BERT pour traiter des ensembles de données textuelles.

Apprenez à construire et à mettre en œuvre des réseaux neuronaux convolutifs (CNN) en Python avec PyTorch.

Découvrez comment l'optimiseur AdamW améliore les performances du modèle en découplant la décroissance des poids des mises à jour du gradient. Ce tutoriel explique les principales différences entre Adam et AdamW, leurs cas d'utilisation et fournit un guide étape par étape pour mettre en œuvre AdamW dans PyTorch.