01 Introduction à l'apprentissage profond

__01-1 Introduction à l'intelligence artificielle
__01-2 Introduction à l'apprentissage automatique
__01-3 Introduction à l'apprentissage profond
Points importants à retenir du chapitre 1

02 Commencez l'apprentissage en profondeur avec un minimum d'outils.

__02-1 Présentation de Google Colab
__02-2 Découvrir les outils d'apprentissage en profondeur
Points importants à retenir du chapitre 2

03 Poser les fondements de l'apprentissage automatique - Prédiction numérique

__03-1 Apprenez-en davantage sur la régression linéaire et préparez vos données
__03-2 Apprendre à apprendre avec la descente de gradient
__03-3 Apprenez-en davantage sur la relation entre les fonctions de perte et la descente de gradient.
__03-4 Créer un neurone pour la régression linéaire
Points importants à retenir du chapitre 3

04 Créer un neurone de classification - classification binaire

__04-1 Découvrir les premiers algorithmes d'intelligence artificielle et la régression logistique.
__04-2 Calculer des probabilités à l'aide de la fonction sigmoïde
__04-3 Application de la fonction de perte logistique à la descente de gradient
__04-4 Préparer l'ensemble de données pour la classification
__04-5 Créer un neurone pour la régression logistique
__04-6 Créer un réseau neuronal monocouche avec des neurones de régression logistique
__04-7 Réalisation d'une régression logistique avec scikit-learn
Points importants à retenir du chapitre 4

05 Apprendre les techniques de formation

__05-1 Divisez l'ensemble de validation et apprenez le processus de prétraitement.
__05-2 Apprendre à distinguer le surajustement et le sous-ajustement
__05-3 Apprendre les méthodes de régularisation et les appliquer aux réseaux neuronaux monocouches.
__05-4 Apprenons la validation croisée et mettons-la en œuvre avec scikit-learn.
Points importants à retenir du chapitre 5

06 Connexion de deux couches - réseau neuronal multicouche

__06-1 Vectoriser l'algorithme du réseau neuronal pour utiliser tous les échantillons simultanément
__06-2 Implémenter un réseau de neurones à deux couches
__06-3 Entraîner le modèle en utilisant des mini-lots
Points importants à retenir du chapitre 6

07 Classification de plusieurs éléments - Classification multiple

__07-1 Créer un réseau neuronal multicouche pour classifier plusieurs images.

__07-2 Création d'un réseau neuronal à l'aide de TensorFlow et Keras
Points importants à retenir du chapitre 7

08 Classification d'images - Réseaux de neurones convolutifs

__08-1 Découvrir les opérations de convolution
__08-2 Découvrir les opérations de mise en commun
__08-3 Découvrons la structure d'un réseau neuronal convolutif.
__08-4 Créer et entraîner un réseau neuronal convolutif
__08-5 Création d'un réseau neuronal convolutif avec Keras
Points importants à retenir du chapitre 8

09 Classification de texte - Réseaux de neurones récurrents

__09-1 Apprentissage des données séquentielles et des réseaux de neurones récurrents
__09-2 Créer un réseau neuronal récurrent et classifier du texte
__09-3 Création d'un réseau neuronal récurrent avec TensorFlow
__09-4 Créer un réseau neuronal récurrent LSTM et classifier du texte.
Points importants à retenir du chapitre 9

Ce que vous devez savoir pour comprendre l'apprentissage profond
Maîtrisez les quatre problèmes représentatifs grâce à la pratique !

L'apprentissage profond est une technologie permettant de résoudre des problèmes du monde réel à partir de données complexes.
Vous devez donc faire l'expérience du processus de résolution d'un problème réel.
Ce livre résout les problèmes de prédiction numérique, de classification binaire, de classification multiclasse et de classification de texte en utilisant des données provenant de patients diabétiques, de cas de cancer du sein dans le Wisconsin, d'images de mode MNIST et de critiques de films.
La plupart des problèmes d'apprentissage profond étendent les concepts de ces problèmes ; par conséquent, si vous connaissez ne serait-ce que les quatre problèmes représentatifs abordés dans ce livre, vous serez capable de résoudre les problèmes que vous rencontrerez en pratique.

L'apprentissage profond commence en seulement 1 minute !
Ne perdons pas de temps à préparer notre environnement d'entraînement ; commençons tout de suite !

L'apprentissage profond nécessite beaucoup de préparation, depuis la configuration d'un ordinateur jusqu'à l'installation de logiciels et de packages Python.
Cependant, « Faites-le ! Introduction à l’apprentissage profond » propose un processus de préparation pratique simple.
Google Colab propose une formation pratique qui vous permet de commencer à étudier l'apprentissage profond en une minute seulement.
Colab est l'équivalent de Jupyter Notebook chez Google, exécutable dans un navigateur web. C'est un excellent éditeur Python qui intègre tous les packages nécessaires à l'entraînement de modèles d'apprentissage profond.
Tout le code que vous écrivez dans Colab s'exécute sur les serveurs cloud de Google et est automatiquement enregistré sur Google Drive.
Inutile de vous soucier de la préparation, il vous suffit d'ouvrir votre navigateur web et de commencer l'apprentissage profond en une minute seulement.

Il n'y a pas de voie royale vers l'apprentissage en profondeur, mais il existe des diplômes !
Un ouvrage d'introduction à l'apprentissage en profondeur qui vous apprend à étudier honnêtement sans éviter les aspects difficiles !

L'apprentissage profond est une technologie intrinsèquement difficile qui exige une maîtrise des concepts, des formules et même du codage.
Les formules, en particulier, constituent le principal obstacle pour les débutants.
Peu de gens parviennent à sortir de ce marécage.
Ainsi, certains ouvrages choisissent de présenter les formules brièvement, voire de les omettre complètement, par égard pour le lecteur.
Mais l'auteur de ce livre a consacré beaucoup d'efforts à cette partie.
La raison est simple : les formules constituent le fondement du code d'apprentissage profond, on ne peut donc pas construire une maison sur du sable.


Oui, c'est exact.
Il n'y a pas de voie royale vers l'apprentissage profond, mais il existe une bonne voie.
La bonne méthode pour étudier l'apprentissage profond s'apparente à l'ascension d'une haute montagne.
Avancez simplement, un pas honnête à la fois.
Mais on ne peut pas se permettre de faire un pas à la légère.
À chaque étape de votre ascension vers le sommet, veillez à vous concentrer sur les trois éléments suivants : les concepts, les formules et la pratique.
Je recommande ce livre comme premier manuel d'apprentissage profond pour les développeurs d'IA débutants.

C'est facile à comprendre avec cette explication bienveillante.
Simplifiez-vous la vie grâce à plus de 100 graphiques, illustrations et diagrammes !

Les concepts mathématiques tels que la régression linéaire, le surapprentissage et le sous-apprentissage sont présentés graphiquement ! Les concepts abstraits comme la classification d'images, la classification de textes, la convolution et le dropout sont présentés à l'aide d'illustrations et de diagrammes ! Le texte est facile à lire, avec des explications claires et de nombreux supports visuels.
J'ai personnellement réalisé les graphiques et les diagrammes dans l'espoir que « ceux qui découvrent l'apprentissage profond puissent étudier plus facilement » (les illustrations du livre sont des croquis de l'auteur retouchés par un artiste professionnel).
Commençons plus facilement l'apprentissage en profondeur en ressentant la sincérité qui se dégage de ce livre pour les lecteurs.

En tant que blogueur, traducteur et présentateur spécialisé en intelligence artificielle
Le premier livre d'un expert en apprentissage automatique certifié par Google qui partage constamment ses connaissances !

Ce livre a été écrit par l'un des six seuls experts certifiés Google en apprentissage automatique (ML GDE ; Experts développeurs Google en apprentissage automatique) en Corée.
L'auteur est le responsable du blog TensorFlow, qui compte 2,4 millions de visiteurs et constitue une référence incontournable pour quiconque s'intéresse à l'intelligence artificielle. En tant que traducteur, il a traduit six ouvrages sur le sujet.
J'ai également animé un groupe d'étude sur l'apprentissage approfondi et rencontré des débutants lors d'activités de partage de connaissances.
Il est le meilleur auteur pour écrire un ouvrage d'introduction à l'apprentissage profond.
Récemment, il a participé en tant que présentateur à diverses conférences liées à l'intelligence artificielle et poursuit diverses activités de partage des connaissances.

Tous les exercices du livre sont disponibles gratuitement sur le site web d'Aegis Publishing et sur GitHub.

Le code de réponse correct pour tous les exercices du livre est fourni sur le GitHub de l'auteur et dans la salle de données du site web d'Aegis Publishing.
Vous pouvez améliorer votre apprentissage en pratiquant les exemples du livre et en les comparant au code écrit par l'auteur lui-même.
De plus, en accédant au lien de visualisation du notebook, vous pouvez facilement consulter le code de l'auteur sans télécharger le fichier.

Téléchargez le fichier d'exercices
- GitHub de l'auteur : https://github.com/rickiepark
- Salle de données Easy Publishing : https://easyspub.co.kr > [Salle de données] (Abonnement requis)

Réviser facilement les fichiers d'exercices avec Jupyter Notebooks
- Visionneuse de notebooks Jupyter : https://nbviewer.jupyter.org/github/rickiepark/do-it-dl

La salle d'étude Doit, où nous apprenons, partageons et progressons ensemble !
La série Doit, créée avec des bêta-testeurs ! Auto-apprentissage ou avec manuel, c’est possible !

Si vous planifiez et étudiez seul, vous vous fatiguerez vite.
Pourquoi ne pas rencontrer des lecteurs confrontés à des difficultés similaires et partager vos propres défis ? Aider les autres grâce à vos recherches approfondies peut vous apporter une satisfaction encore plus grande.
Au café-salle d'étude Doit, où vous pouvez apprendre, partager et progresser ensemble, vous pouvez rencontrer des collègues qui souhaitent évoluer grâce aux livres.
De plus, ce livre a été créé en sélectionnant trois lecteurs comme bêta-testeurs (les bêta-testeurs sont recrutés de manière irrégulière par le biais d'un recrutement ouvert sur la page Facebook d'Easy Publishing ou sur Doit Study Room).
De plus, le livre comprend un tableau de progression sur 14 jours pour l'auto-apprentissage et un tableau de progression sur 16 semaines pour l'utilisation du manuel, ce qui est utile aussi bien pour les études que pour les cours magistraux.

- Café Doit Study Room : cafe.naver.com/doitstudyroom
- Easys Publishing sur Facebook : https://www.facebook.com/easyspub/