CHAPITRE 1 Apprentissage profond et PyTorch

1.1 Intelligence artificielle et apprentissage automatique
1.2 Apprentissage supervisé, apprentissage non supervisé et apprentissage par renforcement
1.3 Apprentissage profond et réseaux neuronaux
1.4 Jusqu'au développement de PyTorch
1.5 Pourquoi PyTorch ?
1.6 En conclusion

CHAPITRE 2 : Premiers pas avec PyTorch

2.1 Installation et configuration de l'environnement PyTorch
2.2 Téléchargement et exécution de l'exemple PyTorch
2.3 Jupyter Notebook
2.4 En conclusion

CHAPITRE 3 : Implémentation du code complet du réseau de neurones artificiels avec PyTorch

3.1 Tenseurs et autograd
3.2 Restauration d'images par descente de gradient
3.3 Mise en œuvre du modèle de réseau neuronal
3.4 En conclusion

CHAPITRE 4 Réseaux de neurones profonds pour la distinction des articles de mode

4.1 Comprendre l'ensemble de données Fashion MNIST
4.2 Classification des articles de mode à l'aide de réseaux neuronaux artificiels
4.3 Mesure des performances
4.4 Surapprentissage et abandon
4.5 En conclusion

CHAPITRE 5 Réseaux de neurones convolutifs (CNN) dotés d'excellentes capacités de traitement d'images

5.1 Notions de base de CNN
5.2 Implémentation du modèle CNN
5.3 Application de ResNet à un ensemble de données de couleurs
5.4 En conclusion

CHAPITRE 6 Auto-encodeurs Apprentissage sans intervention humaine

6.1 Principes de base des auto-encodeurs
6.2 Extraction des caractéristiques d'une image à l'aide d'un auto-encodeur
6.3 Restauration d'images corrompues à l'aide d'auto-encodeurs
6.4 En conclusion

CHAPITRE 7 : Les réseaux de neurones récurrents (RNN) traitent les données séquentielles

7.1 Aperçu des RNN
7.2 Analyse des sentiments exprimés dans les critiques de films
7.3 Traduction automatique Seq2Seq
7.4 En conclusion

CHAPITRE 8 : Attaques adverses : Piratage du Deep Learning

8.1 Qu’est-ce qu’une attaque hostile ?
8.2 Types d'attaques hostiles
8.3 Attaque FGSM
8.4 En conclusion

CHAPITRE 9 GAN à apprentissage compétitif

9.1 Principes de base des GAN
9.2 Générer de nouveaux articles de mode avec des GAN
9.3 Contrôle de la génération avec cGAN
9.4 En conclusion

CHAPITRE 10 DQN Apprentissage par interaction avec un environnement donné

10.1 Principes de base de l'apprentissage par renforcement et du DQN
10.2 Maîtriser le jeu du Kartpole
10.3 En conclusion

La pratique prime sur la théorie ! [3 minutes] Série Apprentissage en profondeur : Apprenez d'abord par l'expérience !

Quelle est la meilleure façon d'apprendre un nouveau langage de programmation ou une nouvelle bibliothèque ? La série [3 minutes] est simple et amusante : elle vous permet d'apprendre en tapant vous-même du code plutôt qu'en lisant de longues explications.

J'ai essayé de donner l'impression que j'étais assis à côté du lecteur et que nous « codions ensemble » rapidement tout en expliquant les choses.
Le code n'est affiché que dans la mesure nécessaire au bon déroulement de l'explication, le code complet étant présenté à la fin.
La théorie ne donne que les informations nécessaires pour comprendre l'ensemble, et le code ne rentre pas dans les détails.

Tout d'abord, une fois que vous avez une vue d'ensemble et un code fonctionnel en main, familiarisez-vous avec PyTorch en consultant la documentation d'utilisation de PyTorch et le dépôt GitHub PyTorch créé par l'auteur, et en manipulant le code.

À la fin de chaque section, le code complet apparaît avec un minimum de commentaires.
Veuillez prendre un moment pour revoir ce que vous avez appris et vérifier si vous l'avez bien compris.
J'ai associé un numéro à l'emplacement de la description textuelle de chaque bloc de code ; veuillez donc l'utiliser lorsque vous ne comprenez pas un code spécifique.

Contenu principal

- Premiers pas avec PyTorch
- Réseau de neurones artificiels implémenté avec PyTorch
- Un réseau neuronal profond qui distingue les articles de mode
- Un réseau de neurones convolutifs (CNN) doté d'excellentes capacités de reconnaissance d'images
- Des auto-encodeurs qui apprennent sans intervention humaine
- Un réseau de neurones récurrents qui traite des données séquentielles
- Attaques adverses qui piratent l'apprentissage profond
- Les GAN qui apprennent par la compétition
- DQN apprend en interagissant avec un environnement donné

Structure de ce livre

Il est structuré de manière à ce que même les débutants en apprentissage profond et en PyTorch puissent facilement apprendre la théorie et la mettre en œuvre.
L'apprentissage profond est utilisé dans de nombreux domaines, du langage aux images, et ses formes varient selon l'application.
Par conséquent, nous avons préparé des exemples permettant la mise en œuvre d'un maximum de méthodes d'apprentissage et de modèles d'apprentissage profond différents.

_Chapitre 1.
Apprentissage profond et PyTorch
Développez vos connaissances fondamentales en apprentissage profond et apprenez diverses méthodes d'apprentissage automatique.
Découvrez ce qu'est PyTorch, pourquoi vous en avez besoin et en quoi il diffère de bibliothèques comme TensorFlow et Keras.

_Chapitre 2.
Premiers pas avec PyTorch
Apprenez à configurer et à utiliser PyTorch.
En plus de PyTorch, vous installerez les outils nécessaires au fur et à mesure de votre progression dans le livre.

_Chapitre 3.
ANN implémentée avec PyTorch
Apprenez à implémenter le réseau neuronal artificiel le plus basique à l'aide de PyTorch et à sauvegarder et réutiliser le modèle.

_Chapitre 4.
Réseau de neurones profonds qui distingue les articles de mode
Utilisons le réseau neuronal artificiel que nous avons appris précédemment pour classer les articles de mode dans l'ensemble de données Fashion MNIST.

_Chapitre 5.
CNN doté d'excellentes capacités de reconnaissance d'images
Découvrez les réseaux neuronaux convolutifs (CNN), qui offrent d'excellentes performances en matière de reconnaissance d'images.
Nous allons également découvrir et mettre en œuvre ResNet, qui améliore les performances en empilant des CNN.

_Chapitre 6.
Auto-encodeurs qui apprennent sans intervention humaine
Découvrez l'apprentissage non supervisé, qui extrait des caractéristiques sans réponse correcte, et apprenez à comprendre et à mettre en œuvre l'autoencodeur, un modèle d'apprentissage non supervisé représentatif.

_Chapitre 7.
Les RNN qui traitent des données séquentielles
Nous utiliserons des réseaux neuronaux récurrents (RNN), qui fonctionnent bien sur les données de chaînes de caractères, de parole et de séries temporelles, pour analyser le sentiment des critiques de films et créer un traducteur automatique simple.

_Chapitre 8.
Attaques adverses qui piratent l'apprentissage profond
Nous explorerons les exemples adverses, conçus pour perturber intentionnellement les modèles d'apprentissage profond, ainsi que les attaques adverses, une méthode permettant de générer des exemples adverses.

_Chapitre 9.
GAN qui apprennent par la compétition
Découvrez les réseaux antagonistes génératifs (GAN), une structure d'apprentissage unique qui optimise les performances grâce à la compétition entre deux modèles. Les GAN peuvent générer de nouvelles images qui n'existent pas dans l'ensemble de données.
À titre d'exemple, nous allons nous entraîner sur l'ensemble de données Fashion MNIST pour créer de nouveaux articles de mode.

_Chapitre 10.
Nous allons découvrir le DQN (Deep Q-Network), un réseau qui se développe en interagissant avec un environnement donné, et implémenter une intelligence artificielle capable de maîtriser un jeu simple.