Séminaire
Intelligence Artificielle - Séminaire 3 - Session 4 - Deep Learning, réseaux convolutifs
Utilisation des réseaux neuronaux, pour définir une transformation non linéaire applicable aux valeurs d'entrée et créer un modèle de sortie : phase d'éducation ou d'entraînement, qui s'effectue sur des données labellisées, puis de de découverte, pour améliorer le modèle avec une méthode mathématique (dérivative) et "coller" au plus près à la réalité.
Les principaux usages : reconnaissance d’objets, d’images, de sons, de phrases dans une communication téléphonique, etc.
Extraction automatique des caractéristiques d'entrée.
Le cas particulier des réseaux convolutifs : à l’aide d’exemples concrets, nous expliquons le cheminement depuis la décomposition d’une source (image), jusqu’à sa reconnaissance finale, en insistant sur les points clés : kernel, slide, padding, filtrage, la convolution proprement dite qui est une fonction mathématique, le pooling ou simplification des matrices et flattening, la mise à plat finale.