Introduction to Neural Networks for Supervised Learning

• Introduction au réseau neuronal, modèle pour l'apprentissage supervisé en classification ou régression.
• Limitations des modèles précédents (régression linéaire, régression logistique) dus à l'hypothèse de linéarité.
• Besoin de modèles plus puissants pour traiter des relations complexes entre entrée et sortie.
• Construction d'un réseau de neurones avec des couches de neurones effectuant des calculs linéaires et non linéaires.
• Possibilité d'empiler les neurones verticalement ou horizontalement pour former des couches dans le réseau.
• Notation des poids et calculs linéaires et non linéaires pour chaque neurone.
• Extension du calcul du forward pass à un réseau de neurones avec plusieurs couches.
• Notation des neurones en fonction des couches pour faciliter les calculs dans un réseau étendu.
• Entraînement d'un réseau neuronal par forward pass sur les exemples, backward pass pour calculer les dérivées et mise à jour des paramètres par descente de gradient.
• Interprétation intuitive de l'apprentissage par un réseau neuronal, avec calcul de features avancées pour prédire la sortie.
• Exemples pratiques d'utilisation de réseaux de neurones pour prédire des prix immobiliers ou pour la reconnaissance faciale.
• Avancée apportée par les réseaux de neurones : automatisation du calcul de features complexes pour prédire la sortie.
• Prochaines étapes : réécriture des équations du forward pass en forme matricielle pour simplifier les calculs.

Explore the fundamentals of neural networks as a powerful model for supervised learning in classification and regression tasks. Learn about the limitations of linear regression and logistic regression models, the need for more powerful models to handle complex relationships, construction of neural networks with layers of neurons performing linear and non-linear computations, training process including forward pass, backward pass, and parameter updates using gradient descent.