WEBVTT 00:00.420 --> 00:05.990 Bonjour et bienvenue dans les didacticiels d’intuition sur les réseaux de neurones artificiels. 00:06.060 --> 00:08.760 Super excité pour commencer ces choses. 00:09.000 --> 00:11.870 Et aujourd'hui, nous allons découvrir comment nous allons aborder cette section. 00:11.880 --> 00:14.760 Donc, dans cette section, nous allons apprendre les choses suivantes. 00:14.760 --> 00:20.550 Tout d'abord, nous allons parler du neurone, il y aura donc un peu de neuroscience et nous en apprendrons un peu 00:20.550 --> 00:25.700 plus sur le fonctionnement du cerveau humain et sur les raisons pour lesquelles nous essayons de le reproduire. 00:25.710 --> 00:32.160 Et nous verrons également à quoi ressemble le bloc de construction principal d'un réseau de neurones du neurone. 00:32.160 --> 00:37.740 Ensuite, dans le prochain tutoriel, nous parlerons de la fonction d'activation et examinerons 00:37.740 --> 00:43.980 quelques exemples de fonctions d'attrition que vous pourriez utiliser dans vos réseaux de neurones et 00:43.980 --> 00:52.770 nous déterminerons laquelle est la plus utile. couramment utilisé dans les réseaux de neurones et dans quelles couches vous préféreriez utiliser 00:52.770 --> 00:53.770 quelles fonctions. 00:53.860 --> 00:56.430 On a parlé du fonctionnement des réseaux de neurones. 00:56.430 --> 01:03.990 Donc, contrairement à ce à quoi vous vous attendez et à ce qui a probablement été exprimé dans d'autres 01:04.260 --> 01:10.800 cours et travaux dirigés, nous n'allons pas nous intéresser à l'apprentissage, nous allons plutôt nous intéresser 01:10.800 --> 01:18.690 au fonctionnement des réseaux de neurones réseau de neurones en action qui nous permettra de comprendre ce que nous visons 01:19.020 --> 01:20.740 pour atteindre notre objectif. 01:20.740 --> 01:27.120 Nous allons donc examiner un exemple de réseau de neurones, un exemple hypothétique très simplifié et très 01:27.120 --> 01:33.060 simplifié, ou lorsque votre propre réseau s'efforce de prédire les prix des logements sont essentiellement 01:33.060 --> 01:34.830 des prix de l'immobilier. 01:34.980 --> 01:40.350 Et en regardant cet exemple, nous comprendrons mieux exactement ce que nous visons et ce que nous voulons 01:40.350 --> 01:41.620 réaliser à la fin. 01:42.060 --> 01:49.560 Nous verrons ensuite comment les réseaux de neurones apprennent, car nous serons ainsi mieux préparés à ce 01:49.560 --> 01:51.070 qui nous attend. 01:51.180 --> 01:53.010 Ensuite, nous parlerons de descente de gradient. 01:53.010 --> 02:00.750 Cela fait également partie de l'apprentissage des réseaux de neurones et nous comprendrons en quoi cet algorithme est supérieur à la 02:00.750 --> 02:08.670 méthode de la force brute que vous souhaitez peut-être ou que vous souhaitez utiliser comme premier recours ou comme première méthode qui vous 02:08.940 --> 02:10.140 vient à l'esprit. 02:10.140 --> 02:14.400 Nous allons donc découvrir à quel point l'avantage de la descente est important. 02:14.520 --> 02:17.130 Et ensuite, nous parlerons de descente de gradient stochastique. 02:17.140 --> 02:23.580 C’est une continuation du didacticiel génial et décent, mais c’est une méthode encore meilleure et encore plus puissante 02:23.580 --> 02:26.120 et nous découvrirons comment cela fonctionne. 02:26.220 --> 02:33.060 Enfin, pour terminer, nous allons mentionner les éléments importants de la propagation en arrière et 02:33.060 --> 02:40.400 résumer le tout dans un ensemble d'instructions pas à pas pour l'exécution de vos réseaux de neurones artificiels. 02:40.440 --> 02:46.230 J'espère que tout cela vous semble très excitant, car je suis très excité et j'ai hâte de 02:46.230 --> 02:46.810 commencer. 02:46.950 --> 02:49.310 J'ai hâte de vous voir lors du premier tutoriel. 02:49.320 --> 02:51.420 Et jusque-là, profitez d'un apprentissage en profondeur.