[PARTIE 1 GAN et modélisation générative]

CHAPITRE 1 : PREMIERS PAS AVEC GAN
__1.1 Qu'est-ce qu'un GAN ?
1.2 Fonctionnement des GAN
__1.3 Système GAN
__1.4 Pourquoi devrions-nous étudier les GAN ?
1.5 En conclusion

CHAPITRE 2 Auto-encodeurs et apprentissage génératif
__2.1 Premiers pas avec la modélisation générative
__2.2 Comment fonctionne un auto-encodeur
2.3 Comparaison des GAN et des autoencodeurs
__2.4 Configuration de l'auto-encodeur
__2.5 Utilisation des auto-encodeurs
2.6 Apprentissage non supervisé
__2.7 Le code est la clé
__2.8 Pourquoi GAN ?
2.9 En conclusion

CHAPITRE 3 : Mise en œuvre de votre premier GAN
3.1 Principes de base des GAN : Entraînement adverse
__3.2 Constructeurs et discriminateurs
__3.3 Algorithme d'entraînement GAN
__3.4 Tutoriel : Générer des chiffres manuscrits
3.5 Conclusion
3.6 En conclusion

CHAPITRE 4 DCGAN
4.1 Réseaux neuronaux convolutifs
__4.2 Bref historique de DCGAN
4.3 Normalisation par lots
__4.4 Tutoriel : Générer des chiffres manuscrits avec DCGAN
__4.5 Conclusion
4.6 En conclusion


[PARTIE 2 : Le dernier modèle GAN]

CHAPITRE 5 : Les défis et le savoir-faire de la formation GAN
Note de 5,1
5.2 Difficultés rencontrées lors de la formation
__5.3 Résumé des paramètres du jeu
5.4 Savoir-faire en matière de formation
5.5 En conclusion

CHAPITRE 6 ProGAN
6.1 Interpolation de l'espace latent
__6.2 Vitesse de développement incroyable
6.3 Résumé des principales innovations
6.4 Prise en main de TensorFlow Hub
6.5 Applications pratiques
6.6 En conclusion

CHAPITRE 7 SGAN
7.1 Introduction à SGAN
__7.2 Tutoriel : Implémentation de SGAN
7.3 Comparaison avec les classificateurs d'apprentissage supervisé
7.4 Conclusion
7.5 En conclusion

CHAPITRE 8 CGAN
8.1 Motivation
8.2 Introduction au CGAN
Tutoriel 8.3 : Implémentation de CGAN
8.4 Conclusion
8.5 En conclusion

CHAPITRE 9 CycleGAN
9.1 Conversion d'image à image
__9.2 Perte de cohérence cyclique : aller et revenir
__9.3 Pertes hostiles
9.4 Perte d'identité
__9.5 Structure
__9.6 Implémentation d'un GAN de manière orientée objet
Tutoriel 9.7 : Implémentation de CycleGAN
__9.8 Extensions et applications de CycleGAN
__9.9 En conclusion


[PARTIE 3 : Ce que vous apprendrez ensuite]

CHAPITRE 10 Échantillons hostiles
__10.1 Présentation de l'échantillon hostile
10.2 Prédictions, mauvaises prédictions, distributions
10.3 Formation adéquate et formation inadéquate
10.4 Signal et bruit
__10.5 Nouvel Espoir
__10.6 Des échantillons adverses aux GAN
__10.7 Conclusion
__10.8 En conclusion

CHAPITRE 11 Applications pratiques des GAN
11.1 Les GAN dans le domaine médical
__11.2 Les GAN dans la mode
__11.3 Conclusion
11.4 En conclusion

CHAPITRE 12 : PERSPECTIVES D'AVENIR
__12.1 Éthique
__12.2 Trois innovations dans les GAN
12.3 Lectures complémentaires
__12.4 Résumé
__12.5 En conclusion

Contenu principal
_ Comprendre le fonctionnement des GAN, leurs générateurs et leurs discriminateurs
_ Générer des chiffres manuscrits avec des auto-encodeurs et des GAN
_ Mise en œuvre des GAN avec les CNN et les DCGAN et compréhension de la normalisation par lots
_ Générer des images haute résolution avec ProGAN
_ Comprendre les SGAN dans l'apprentissage semi-supervisé
_ Créez l'image du chiffre manuscrit souhaité à l'aide de CGAN
_ Transformer des pommes en oranges et des oranges en pommes avec CycleGAN
Comprendre les défis de l'entraînement des GAN et de la génération d'exemples adverses avec des images réelles et du bruit
_ Examiner les applications et les cas d'utilisation des GAN dans les domaines médical et de la mode.


Un réseau neuronal de nouvelle génération qui apprend et évolue de manière autonome.
Les GAN sont un type de système d'apprentissage automatique autocritique.
C'est un aspect qui m'a toujours déçu, car on ne le retrouve pas dans d'autres méthodes d'apprentissage automatique.
Les gens élaborent constamment des plans possibles et déterminent s'ils sont réalisables ou non.
Et je sais très bien que se lancer aveuglément dans le travail n'est pas la solution.
En ce sens, les GAN constituent véritablement un réseau neuronal logique permettant de mettre en œuvre un niveau supérieur d'intelligence artificielle, car ils peuvent tirer parti des représentations apprises automatiquement et des boucles de rétroaction d'apprentissage automatique.


Il n'y a plus grand-chose de nouveau dans les autres aspects de l'apprentissage automatique.
La plupart des concepts dans le domaine de la vision par ordinateur ont été conçus avant 1998.
En revanche, ce que font les GAN était impossible avant 2014. Depuis leur création, les GAN n'ont cessé de croître de façon exponentielle, même au moment où j'écris ces lignes.

Les GAN représentent un nouveau monde passionnant offrant de nombreuses possibilités.
Je suis honorée et ravie de partager cela avec vous.
Il m'a fallu près de deux ans pour écrire ce livre.
Nous espérons que vous prendrez autant de plaisir à lire ce livre que nous en avons eu.
J'ai hâte de voir les inventions extraordinaires que vous apporterez au monde à l'avenir.

— Extrait de la note de l'auteur


Public cible
Ce livre s'adresse aux personnes ayant une expérience en apprentissage automatique et en réseaux neuronaux.
J'ai fait de mon mieux pour aborder les points nécessaires dans chaque chapitre du livre, mais vous devriez absolument connaître au moins 70 % de ce qui est listé ci-dessous.

1.
Capacité à créer des programmes Python de niveau intermédiaire ou supérieur
2.
Comprendre la programmation orientée objet, comment gérer les objets, les propriétés et les méthodes
3.
Principes fondamentaux de l'apprentissage automatique, notamment la séparation des ensembles de données d'entraînement et de test, le surapprentissage, les poids et les hyperparamètres.
4.
Statistiques et calculs de base, tels que les probabilités, les fonctions de densité, les distributions de probabilité, la différentiation et l'optimisation simple.
5.
Une base en algèbre linéaire, notamment en matrices, espaces de grande dimension et (idéalement) en analyse en composantes principales.
6.
Principes fondamentaux de l'apprentissage profond, notamment les réseaux neuronaux à propagation directe, les poids et les biais, les fonctions d'activation, la régularisation et la descente de gradient stochastique.
7.
Une expérience, même minime, de l'utilisation de Keras ou la volonté de l'apprendre séparément.


Structure de ce livre
Ce livre aborde la théorie et la pratique de manière équilibrée et est divisé en trois parties.

Partie 1 : GAN et modélisation générative
Nous allons examiner les concepts de base de l'apprentissage génératif et des GAN, et implémenter le modèle GAN le plus simple.


Chapitre 1 : Premiers pas avec les GAN
Présente les GAN et explique leur fonctionnement de manière générale.
Nous allons explorer comment les réseaux générateurs et discriminateurs rivalisent pour s'entraîner.


Chapitre 2 Auto-encodeurs et apprentissage génératif
Commençons par examiner l'autoencodeur, que l'on peut considérer comme le pionnier des GAN.
Générons des nombres manuscrits à l'aide d'un auto-encodeur variationnel (VAE).

Chapitre 3 : Mise en œuvre de votre premier GAN
Ce cours explore la théorie des GAN et de l'apprentissage antagoniste. Il examine les principales différences entre les GAN et les réseaux de neurones traditionnels, notamment leurs fonctions de coût et leurs processus d'entraînement.
Implémentons un GAN avec Keras et générons des nombres manuscrits.


Chapitre 4 DCGAN
Introduction aux réseaux neuronaux convolutifs (CNN) et à la normalisation par lots.
Ensuite, nous implémentons DCGAN, une structure GAN avancée qui utilise la normalisation par lots pour stabiliser le processus d'entraînement.

Partie 2 : Le dernier modèle GAN
En nous appuyant sur les notions de base apprises dans la partie 1, nous approfondirons la théorie des GAN et mettrons en œuvre des structures GAN avancées.

Chapitre 5 : Les difficultés et le savoir-faire de l’entraînement aux GAN
Nous explorerons les défis théoriques et pratiques rencontrés lors de l'entraînement des GAN et comment les surmonter.
Nous explorerons les meilleures pratiques basées sur des articles et des présentations universitaires, et nous aborderons également la manière de mesurer les performances des GAN.


Chapitre 6 ProGAN
Nous explorons ProGAN, une méthode de pointe pour l'entraînement des générateurs et des discriminateurs.
ProGAN ajoute de nouvelles couches pendant le processus d'entraînement afin de générer des images de qualité et de résolution supérieures.

Chapitre 7 SGAN
Nous apprendrons à améliorer la précision de la classification avec un petit volume de données d'entraînement étiquetées grâce à l'apprentissage semi-supervisé. Nous implémenterons des SGAN et explorerons comment exploiter les étiquettes pour transformer le discriminateur en un puissant classificateur multiclasse.

Chapitre 8 CGAN
Les CGAN pallient l'inconvénient de la modélisation générative, qui ne permet pas de spécifier précisément les échantillons à synthétiser à l'aide d'étiquettes ou d'autres informations conditionnelles, en entraînant le générateur et le discriminateur. Nous examinerons le processus de mise en œuvre des CGAN pour générer directement les données souhaitées.

Chapitre 9 CycleGAN
Nous explorons l'innovation de CycleGAN, qui peut être utilisé pour transformer une image en une autre.
Cela inclut de changer l'image d'un cheval en une image de zèbre, ou de changer une pomme en une orange, ou une orange en une pomme.

Partie 3 : Ce que vous apprendrez ensuite
Nous examinerons comment utiliser les GAN et l'apprentissage adverse, ainsi que des exemples de leur utilisation.


Chapitre 10 : Échantillon hostile
Nous allons examiner les exemples adverses, une technique permettant de tromper intentionnellement les modèles d'apprentissage automatique afin qu'ils commettent des erreurs.
Nous expliquons l'importance des échantillons adverses à l'aide d'exemples théoriques et pratiques et explorons leur pertinence pour les GAN.

Chapitre 11 : Applications pratiques des GAN
Nous explorerons les meilleures pratiques concernant l'application des technologies évoquées ci-dessus dans les secteurs de la santé et de la mode.
Dans le domaine médical, nous examinerons comment les GAN peuvent être utilisés pour augmenter de petites quantités de données, et dans le domaine de la mode, nous examinerons comment ils peuvent être utilisés pour personnaliser le contenu.

Chapitre 12 : Perspectives d'avenir
Nous concluons en résumant les points principaux du livre et en abordant les aspects éthiques des GAN.
Pour ceux qui souhaitent continuer à explorer ce domaine, nous présentons également les techniques émergentes de GAN.


Livres associés (Titre + ISBN)

Apprentissage automatique pratique (2e édition) / 9791162242964
Projet pratique d'apprentissage profond GAN dans un musée d'art / 9791162241080
Apprentissage profond à partir de zéro 2 / 9791162241745