Neural Networks and Deep Learning

Study Notes

Un réseau neuronal est un modèle d'apprentissage par supervision utilisé en classification et en régression.
Les modèles de régression linéaire et logistique sont limités par leur hypothèse de linéarité, ne pouvant pas traiter des relations complexes entre l'entrée et la sortie.
Pour pallier cette limitation, on introduit des réseaux de neurones plus puissants capables de gérer des données non linéaires.
Dans un réseau de neurones, les neurones effectuent des calculs linéaires suivis de fonctions d'activation non linéaires pour produire des sorties.
Les neurones peuvent être empilés verticalement ou horizontalement pour former des couches dans le réseau, influant sur sa profondeur et sa largeur.
L'entraînement d'un réseau neuronal implique un forward pass pour calculer les sorties puis un backward pass pour ajuster les paramètres avec la descente de gradient.
Les couches cachées du réseau calculent des caractéristiques complexes des données d'entrée qui permettent de prédire la sortie de manière plus efficace.
L'exemple de la reconnaissance faciale montre comment les filtres de différentes couches d'un réseau de neurones à convolution détectent des attributs de plus en plus complexes dans une image.
L'automatisation du calcul des caractéristiques complexes a été une avancée majeure des réseaux neuronaux, libérant les concepteurs du besoin de définir manuellement ces caractéristiques.
Cette capacité à calculer automatiquement des caractéristiques avancées a révolutionné le domaine de l'apprentissage automatique.

Description

Explore the fundamentals of neural networks, including their architecture, training process, and ability to handle complex data. Learn about how neural networks surpass traditional linear models with their non-linear activation functions and hidden layers. Discover the advancements in machine learning brought by the automation of feature extraction through deep learning networks.