Deep Learning Mastering The Fundamentals Training Ppt

Diapositive 4

Cette diapositive indique que Deep Learning, un sous-ensemble de Machine Learning, se compose de trois couches de réseau neuronal ou plus. Ces réseaux de neurones cherchent à imiter l'activité du cerveau humain en lui permettant «d'apprendre» à partir d'énormes quantités de données, bien que ces réseaux soient bien loin de les reproduire. Alors qu'un réseau de neurones à une seule couche peut produire des prédictions approximatives, des couches cachées supplémentaires peuvent l'aider à s'améliorer et à s'ajuster pour plus de précision.

Remarques de l'instructeur :

La plupart des applications et services d'intelligence artificielle (IA) s'appuient sur le Deep Learning pour améliorer l'automatisation en exécutant des tâches analytiques et physiques sans intervention humaine. Le Deep Learning est utilisé à la fois dans les produits et services courants (tels que les assistants numériques, les télécommandes de télévision à commande vocale et la détection des fraudes par carte de crédit) et les nouvelles technologies (telles que l'intelligence artificielle et les voitures autonomes).

Diapositive 5

Cette diapositive donne un aperçu du Deep Learning, qui est l'épine dorsale des voitures autonomes, des robots réalistes et même des chatbots convaincants. Il aide les machines à améliorer leur capacité à reconnaître les modèles, les objets et même les obstacles sur leur chemin.

Diapositive 6

Cette diapositive indique que les réseaux de neurones artificiels sont souvent appelés réseaux de neurones Deep Learning. Ils utilisent une combinaison d'entrées de données, de pondérations et de biais pour émuler le cerveau humain. Ces éléments fonctionnent ensemble pour reconnaître, classer et caractériser avec précision les éléments de données.

Diapositive 7

Cette diapositive indique que l'apprentissage automatique se concentre sur le fait de permettre aux ordinateurs d'accomplir des activités sans programmation explicite. Le Deep Learning est une branche du Machine Learning basée sur des réseaux de neurones artificiels.

Diapositive 8

Cette diapositive présente plusieurs types de fonctions d'apprentissage en profondeur : fonction d'activation sigmoïde, tan-h (fonction tangente hyperbolique), ReLU (unités linéaires rectifiées), fonctions de perte et fonctions d'optimisation.

Diapositive 9

Cette diapositive donne un aperçu de la fonction d'activation sigmoïde qui a la formule f(x) = 1/(1+exp (-x)). La sortie va de 0 à 1. Elle n'est pas centrée sur zéro. La fonction a un problème de gradient de fuite. Lorsque la rétropropagation se produit, de minuscules dérivés sont multipliés ensemble et le gradient diminue de façon exponentielle à mesure que nous nous propageons vers les couches de départ.

Diapositive 10

Cette diapositive indique que la fonction Tangente hyperbolique a la formule suivante : f(x) = (1-exp(-2x))/(1+exp(2x)). Le résultat est compris entre -1 et +1. Il est centré sur zéro. Comparée à la fonction sigmoïde, la convergence de l'optimisation est simple, mais la fonction tan-h souffre toujours du problème de gradient de fuite.

Diapositive 11

Cette diapositive donne un aperçu des ReLU (unités linéaires rectifiées). La fonction est du type f(x) = max(0,x) i,e 0 quand x<0, x quand x>0. Par rapport à la fonction tan-h, la convergence ReLU est supérieure. Le problème de gradient de fuite n'affecte pas la fonction et ne peut être utilisé que dans les couches cachées du réseau

Diapositive 12

Cette diapositive répertorie les types de fonctions de perte en tant que composant de Deep Learning. Ceux-ci incluent l'erreur absolue moyenne, l'erreur quadratique moyenne, la perte de charnière et l'entropie croisée.

Diapositive 13

Cette diapositive indique que l'erreur absolue moyenne est une statistique permettant de calculer la différence absolue entre les valeurs attendues et réelles. Divisez le total de toutes les différences absolues par le nombre d'observations. Il ne pénalise pas les grandes valeurs aussi durement que l'erreur quadratique moyenne (MSE).

Diapositive 14

Cette diapositive décrit que la MSE est déterminée en additionnant les carrés de la différence entre les valeurs attendues et réelles et en divisant par le nombre d'observations. Il faut faire attention lorsque la valeur de la métrique est supérieure ou inférieure. Il n'est applicable que lorsque nous avons des valeurs inattendues pour les prévisions. Nous ne pouvons pas compter sur MSE car il pourrait augmenter pendant que le modèle fonctionne bien.

Diapositive 15

Cette diapositive explique que la fonction de perte de charnière est couramment observée dans les machines à vecteurs de support. La fonction a la forme = max[0,1-yf(x)]. Lorsque yf(x)>=0, la fonction de perte est 0, mais lorsque yf(x)<0 l'erreur augmente de manière exponentielle, pénalisant de manière disproportionnée les points mal classés qui sont éloignés de la marge. En conséquence, l'imprécision augmenterait de façon exponentielle jusqu'à ces points.

Diapositive 16

Cette diapositive indique que l'entropie croisée est une fonction logarithmique qui prédit des valeurs allant de 0 à 1. Elle évalue l'efficacité d'un modèle de classification. Par conséquent, lorsque la valeur est de 0,010, la perte d'entropie croisée est plus importante et le modèle fonctionne mal sur la prédiction.

Diapositive 17

Cette diapositive répertorie les fonctions de l'optimiseur dans le cadre de Deep Learning. Ceux-ci incluent la descente de gradient stochastique, adagrad, adadelta et adam (estimation adaptative du moment).

Diapositive 18

Cette diapositive indique que la stabilité de la convergence de la descente de gradient stochastique est préoccupante, et la question du minimum local émerge ici. Les fonctions de perte variant considérablement, le calcul du minimum global prend du temps.

Diapositive 19

Cette diapositive indique qu'il n'est pas nécessaire d'ajuster manuellement le taux d'apprentissage avec cette fonction Adagrad. Cependant, l'inconvénient fondamental est que le taux d'apprentissage continue de baisser. Par conséquent, lorsque le taux d'apprentissage diminue trop à chaque itération, le modèle n'acquiert pas plus d'informations.

Diapositive 20

Cette diapositive indique que dans adadelta, le taux d'apprentissage décroissant est résolu, des taux d'apprentissage distincts sont calculés pour chaque paramètre et la dynamique est déterminée. La principale distinction est que cela n'enregistre pas les niveaux d'impulsion individuels pour chaque paramètre ; et la fonction d'optimisation d'Adam corrige ce problème.

Diapositive 21

Cette diapositive décrit que, par rapport à d'autres modèles adaptatifs, les taux de convergence sont plus élevés dans le modèle d'Adam. Des taux d'apprentissage adaptatifs pour chaque paramètre sont pris en charge. Comme l'élan est pris en compte pour chaque paramètre, cela est couramment utilisé dans tous les modèles d'apprentissage en profondeur. Le modèle d'Adam est très efficace et rapide.

Diapositive 23

Cette diapositive explique le fonctionnement du Deep Learning. Les réseaux de neurones profonds sont constitués de plusieurs couches cachées. Deep Learning entraîne l'IA à prédire la sortie avec des entrées spécifiques ou des couches réseau cachées. De grands ensembles de données étiquetés forment ces réseaux à partir des données elles-mêmes.

Diapositive 24

Cette diapositive traite de la structure d'un réseau neuronal profond qui se compose de trois types de couches de nœuds. Ce sont, une couche d'entrée, suivie d'une ou plusieurs couches cachées, et enfin une couche de sortie.

Diapositive 25

Cette diapositive présente la technique d'apprentissage en profondeur mise en œuvre à l'aide de nombreux réseaux de neurones ou couches cachées qui aident à comprendre les images à fond pour faire des prédictions correctes.

Notes de l'instructeur : cette méthode fonctionne bien avec des ensembles de données volumineux et complexes. Le Deep Learning devient incapable de travailler avec de nouvelles données si elles sont insuffisantes ou incomplètes.

Diapositive 26

Cette diapositive illustre le processus étape par étape de création de modèles d'apprentissage en profondeur. Les étapes comprennent la compréhension du problème, l'identification des données, la sélection de l'algorithme, la formation du modèle et le test du modèle.

Diapositive 27

Cette diapositive décrit les deux phases des opérations d'apprentissage en profondeur, à savoir la création d'un modèle statistique en sortie en appliquant une transformation non linéaire aux données d'entrée et une méthode dérivée pour améliorer le modèle.

Diapositive 28

Cette diapositive répertorie les avantages du Deep Learning, tels que l'utilisation maximale des données non structurées, l'ingénierie des fonctionnalités n'est plus nécessaire, la capacité de fournir des résultats de haute qualité, l'élimination des dépenses inutiles et l'étiquetage des données n'est plus nécessaire.

Remarques de l'instructeur :

• Les données non structurées sont utilisées dans toute la mesure du possible : vous pouvez former des algorithmes d'apprentissage en profondeur à l'aide de divers types de données tout en obtenant des informations pertinentes par rapport à l'objectif de formation. Par exemple, vous pouvez utiliser des algorithmes d'apprentissage en profondeur pour trouver les relations actuelles entre les analyses de l'industrie, l'activité des médias sociaux et d'autres facteurs afin de prévoir le cours de l'action d'une organisation particulière à l'avenir.
• L'ingénierie des fonctionnalités n'est plus nécessaire : l'un des principaux avantages de l'utilisation d'une technique d'apprentissage en profondeur est sa capacité à effectuer l'ingénierie des fonctionnalités de manière indépendante. Dans cette technique, un algorithme examine les données pour les qualités corrélées, puis les combine pour encourager un apprentissage plus rapide sans y être expressément invité. Cette compétence permet aux data scientists de gagner un temps considérable
• Capacité à fournir des résultats de haute qualité : un modèle d'apprentissage en profondeur, s'il est correctement formé, peut effectuer des milliers de tâches régulières et répétitives en une fraction du temps qu'il faudrait à un humain. De plus, la qualité du travail ne baisse jamais à moins que les données d'entraînement ne comportent des données brutes qui ne correspondent pas à la situation
• Les dépenses inutiles sont éliminées : les rappels sont très coûteux et, dans certains secteurs, un rappel peut coûter à une entreprise des millions de dollars en dépenses directes. Les défauts subjectifs difficiles à former, tels que les petits problèmes d'étiquetage des produits, peuvent être reconnus à l'aide du Deep Learning
• L'étiquetage des données n'est plus nécessaire : l'étiquetage des données peut être une tâche coûteuse et chronophage. Le besoin de données bien étiquetées devient inutile avec une méthode d'apprentissage en profondeur puisque les algorithmes excellent dans l'apprentissage sans directives

Diapositive 29

Cette diapositive répertorie les applications du Deep Learning dans le monde réel. Celles-ci incluent la détection du retard de développement chez les enfants, la colorisation des images en noir et blanc, l'ajout de son aux films muets, la restauration de pixels et la génération de séquences ou l'hallucination.

Diapositive 30

Cette diapositive indique que l'une des meilleures applications de Deep Learning est la détection précoce et la correction de trajectoire des troubles du développement liés au nourrisson et à l'enfant. Le laboratoire d'informatique et d'IA du MIT et l'Institut des professions de la santé du Massachusetts General Hospital ont créé un système informatique capable de détecter les troubles du langage et de la parole avant même la maternelle, lorsque la plupart des cas apparaissent généralement.

Diapositive 31

Cette diapositive décrit la colorisation d'image, c'est-à-dire la technique consistant à prendre des photos en niveaux de gris et à produire des images colorisées qui représentent les nuances et les tons sémantiques de l'entrée. Traditionnellement, cette technique était réalisée à la main et nécessitait un travail humain. Aujourd'hui, cependant, la technologie d'apprentissage en profondeur est utilisée pour colorer l'image en l'appliquant aux objets et à leur contexte dans la photographie.

Diapositive 32

Cette diapositive indique que pour identifier les sons acceptables pour une scène, un modèle de Deep Learning préfère corréler les images vidéo avec une base de données de sons préenregistrés. Les modèles de Deep Learning utilisent ensuite ces vidéos pour déterminer le son optimal pour la vidéo.

Diapositive 33

Cette diapositive explique qu'en 2017, les chercheurs de Google Brain ont créé un réseau d'apprentissage en profondeur pour déterminer le visage d'une personne à partir de photos de visages de très mauvaise qualité. "Pixel Recursive Super Resolution" était le nom donné à cette approche, et elle améliore considérablement la résolution des photographies, mettant en évidence les caractéristiques essentielles juste assez pour l'identification.

Diapositive 34

Cette diapositive montre que la génération de séquences ou l'hallucination fonctionne en créant des séquences uniques en voyant d'autres jeux vidéo, en comprenant leur fonctionnement et en les reproduisant à l'aide de techniques d'apprentissage en profondeur telles que les réseaux de neurones récurrents. Les hallucinations d'apprentissage en profondeur peuvent produire des visuels haute résolution à partir de photos basse résolution. Cette technique est également utilisée pour restaurer des données historiques à partir de photographies de qualité basse résolution vers des images haute résolution.

Diapositive 35

Cette diapositive décrit que l'approche Deep Learning est incroyablement efficace pour les tests de toxicité des structures chimiques ; les spécialistes mettaient des décennies à établir la toxicité d'une structure particulière, mais avec un modèle d'apprentissage en profondeur, la toxicité peut être déterminée rapidement (il peut s'agir d'heures ou de jours, selon la complexité).

Diapositive 36

Cette diapositive montre qu'un modèle d'apprentissage en profondeur de détection du cancer contient 6 000 paramètres qui pourraient aider à estimer la survie d'un patient. Les modèles d'apprentissage en profondeur sont efficients et efficaces pour la détection du cancer du sein. Le modèle Deep Learning CNN peut désormais identifier et catégoriser la mitose chez les patients. Les réseaux de neurones profonds aident à l'étude du cycle de vie cellulaire.

Diapositive 37

Cette diapositive indique qu'en fonction de l'ensemble de données utilisé pour former le modèle, les algorithmes d'apprentissage en profondeur peuvent prévoir les appels d'achat et de vente pour les commerçants. Ceci est bénéfique pour les transactions à court terme et les investissements à long terme en fonction des attributs disponibles.

Diapositive 38

Cette diapositive décrit que les algorithmes de Deep Learning classent les consommateurs en fonction des achats antérieurs et du comportement de navigation et proposent des publicités pertinentes et personnalisées en temps réel. Nous pouvons le voir en action : si vous recherchez un produit particulier sur un moteur de recherche, le contenu pertinent des catégories associées s'affichera également dans votre fil d'actualités.

Diapositive 39

Cette diapositive montre que le Deep Learning offre une réponse prometteuse au problème de la détection des fraudes en permettant aux institutions de tirer le meilleur parti des données clients historiques et des détails de transaction en temps réel recueillis au moment de la transaction. Les modèles d'apprentissage en profondeur peuvent également être utilisés pour déterminer quels produits et marchés sont les plus vulnérables à la fraude et pour redoubler de prudence dans de telles circonstances.

Diapositive 40

Cette diapositive indique que les sismologues tentent de prévoir le tremblement de terre, mais c'est beaucoup trop compliqué. Une prédiction erronée coûte cher à la fois au peuple et au gouvernement. Il y a deux ondes dans un tremblement de terre : l'onde p (se déplace rapidement mais fait moins de dégâts) et l'onde s (se déplace lentement mais les dégâts sont élevés). Il n'est pas facile de porter des jugements des jours à l'avance, mais en utilisant des techniques d'apprentissage en profondeur, nous pouvons prévoir le résultat de chaque vague en fonction de l'analyse des données et des expériences antérieures. Cela peut prendre des heures, mais c'est assez rapide pour servir d'avertissement utile qui peut sauver des vies et prévenir des dommages.

Diapositive 41

Cette diapositive donne un aperçu de Deep Fakes, qui fait référence à du matériel numérique modifié, tel que des photos ou des vidéos, dans lequel l'image ou la vidéo d'une personne est remplacée par la ressemblance d'une autre personne. Deep Fake est l'une des préoccupations les plus graves auxquelles est confrontée la civilisation moderne.

Remarques de l'instructeur :

En 2018, un faux clip de Barack Obama a été réalisé, utilisant des phrases qu'il n'a jamais prononcées. De plus, Deep Fakes a déjà été utilisé pour déformer les images de Joe Biden montrant sa langue lors des élections américaines de 2020. Ces applications néfastes des deepfakes peuvent influencer significativement la société et entraîner la diffusion de fausses informations, notamment sur les réseaux sociaux.

Diapositive 42

Cette diapositive indique certains des inconvénients du Deep Learning, tels que : Il a besoin d'une grande quantité de données pour surpasser les autres stratégies de prise de décision. Il n'y a pas de théorie conventionnelle pour vous aider à choisir les bons outils d'apprentissage en profondeur, car cela nécessite une compréhension de la topologie, de la technique de formation et d'autres caractéristiques. En conséquence, il est plus difficile à adopter par des personnes moins compétentes.

Diapositives 58 à 73

Ces diapositives contiennent des activités dynamisantes pour engager le public de la session de formation.

Diapositives 74 à 101

Ces diapositives contiennent une proposition de formation couvrant ce que l'entreprise fournissant la formation en entreprise peut accomplir pour le client.

Diapositives 102 à 104

Ces diapositives comprennent un formulaire d'évaluation de la formation pour l'instructeur, le contenu et l'évaluation du cours.