[Chapitre 1] Qu'est-ce que l'apprentissage profond ?
1.1 Qu'est-ce que l'intelligence ?
1.2 Intelligence artificielle (IA)
1.3 Apprentissage automatique
1.4 Réseaux neuronaux
1.5 Aperçu de l'apprentissage profond
1.6 Histoire de l'intelligence artificielle et de l'apprentissage profond
1.6.1 Le premier âge d'or de l'intelligence artificielle : années 1950-1960
1.6.2 Le second âge d'or de l'intelligence artificielle : des années 1980 à la fin des années 1990
1.6.3 Le troisième âge d'or de l'intelligence artificielle : après les années 2000

[Chapitre 2] Présentation de Python
2.1 Pourquoi utiliser Python ?
2.2 Utilisation d'Anaconda et de Jupyter Notebook
__2.2.1 Téléchargement d'Anaconda
__2.2.2 Installation d'Anaconda
__2.2.3 Exécution de Jupyter Notebook
__2.2.4 Utilisation de Jupyter Notebook
__2.2.5 Éteignez votre ordinateur portable
2.3 Grammaire Python
__2.3.1 Variables et types de variables
__2.3.2 Opérateur
Liste __2.3.3
__2.3.4 Tuple
__2.3.5 Dictionnaire
__2.3.6 instruction if
__2.3.7 boucle pour
__2.3.8 boucle while
__2.3.9 Inclusion
Fonction __2.3.10
__2.3.11 Portée des variables
__2.3.12 classe
2.4 NumPy
__2.4.1 Importation NumPy
__2.4.2 Tableaux NumPy
__2.4.3 Différentes fonctions pour la création de tableaux
__2.4.4 Transformation de forme à l'aide de remodeler
__2.4.5 Opérations sur les tableaux
__2.4.6 Diffusion
__2.4.7 Accéder à la valeur d'origine
__2.4.8 Découpage
__2.4.9 Méthode des axes et de la transposition
__2.4.10 Fonctions NumPy
2.5 Mattplotlip
__2.5.1 Importation du module
__2.5.2 Création de graphes
__2.5.3 Conception graphique
__2.5.4 Affichage du nuage de points
__2.5.5 Affichage d'images

[Chapitre 3] Mathématiques pour l'apprentissage profond
3.1 Symboles mathématiques
__3.1.1 Affichage du total général avec sigma (Σ)
__3.1.2 Constante naturelle e
3.1.3 Logarithme népérien logarithme
3.2 Algèbre linéaire
__3.2.1 Scala
__3.2.2 Vecteur
__3.2.3 Matrice
__3.2.4 Tenseur
__3.2.5 Multiplication de scalaires et de matrices
__3.2.6 Multiplication entre éléments
__3.2.7 Multiplication matricielle
__3.2.8 Transposition de matrice
3.3 Différenciation
__3.3.1 Différenciation ordinaire
3.3.2 Formules de base de la différentiation
3.3.3 Règle de la chaîne
__3.3.4 Différentiation partielle
__3.3.5 Différenciation totale
3.3.6 Règle de la chaîne des variables multiples
3.4 Distribution normale

[Chapitre 4] Réseaux de neurones
4.1 Réseaux neuronaux
4.2 Modélisation des neurones
4.3 Mise en réseau des neurones
4.4 Régression et classification
4.4.1 Régression
4.4.2 Classification
4.5 Fonction d'activation
4.5.1 Fonction pas à pas
4.5.2 Fonction sigmoïde
__4.5.3 tanh
__4.5.4 ReLU
__4.5.5 ReLU fuyant
4.5.6 Fonction identité
__4.5.7 Fonction Softmax
4.6 Implémentation du réseau neuronal
4.6.1 Implémentation sur un seul neurone
4.6.2 L’effet des pondérations et des biais
4.6.3 Implémentation du réseau neuronal
4.6.4 Implémentation de chaque couche
__4.6.5 Réseaux de neurones (Régression)
4.6.6 Pouvoir expressif des réseaux neuronaux
__4.6.7 Réseau neuronal (Classification)

[Chapitre 5] Rétropropagation
5.1 Règles d'apprentissage
5.1.1 Règle de Hepp
5.1.2 Règle Delta
5.2 Qu'est-ce que la rétropropagation ?
5.3 Données d'entraînement et de test
5.4 Fonction de perte
5.4.1 Somme des erreurs quadratiques
__5.4.2 Erreur d'entropie croisée
Descente en pente de 5,5
5.5.1 Aperçu de la descente de gradient
5.5.2 Comment trouver la pente
5.5.3 Gradient de la couche de sortie
5.5.4 Gradient des valeurs d'entrée dans la couche de sortie
__5.5.5 Dégradé de couche cachée
5.5.6 Résumé de l'équation pour trouver la pente
5.5.7 Comment trouver la pente dans un problème de régression
5.5.8 Comment trouver la pente dans un problème de classification
5.6 Algorithme d'optimisation
__5.6.1 Aperçu des algorithmes d'optimisation
5.6.2 Descente de gradient stochastique
5.6.3 Momentum
__5.6.4 Adagrad
__5.6.5 RMSProp
__5.6.6 Adam
5.7 Taille du lot
__5.7.1 Époques et lots
__5.7.2 Apprentissage par lots
5.7.3 Apprentissage en ligne
__5.7.4 Apprentissage par mini-lots
5.8 Opérations matricielles
__5.8.1 Format matriciel
5.8.2 Propagation directe à l'aide de matrices
__5.8.3 Rétropropagation à l'aide de matrices
5.9 Mise en œuvre de la rétropropagation dans les problèmes de régression
__5.9.1 Exemple de régression (Apprentissage de la fonction sinus)
__5.9.2 Implémentation de la couche de sortie
__5.9.3 Implémentation de la couche cachée
__5.9.4 Implémentation de la rétropropagation
__5.9.5 Code complet pour l'implémentation de la rétropropagation (régression)
__5.9.6 Résultats d'exécution
5.10 Mise en œuvre de la rétropropagation dans les problèmes de classification
__5.10.1 Cas de classification (Apprentissage des domaines connexes)
5.10.2 Implémentation de chaque couche
__5.10.3 Code complet de l'implémentation de la rétropropagation (classification)
5.10.4 Résultats d'exécution

[Chapitre 6] Mise en œuvre de l'apprentissage profond
6.1 Problèmes liés à la superposition
6.1.1 Piège de l'optimalité locale
6.1.2 Surajustement
6.1.3 Pente s'annulant
6.1.4 Problème du temps d'apprentissage à long terme
6.2 Dépannage
6.2.1 Optimisation des hyperparamètres
6.2.2 Règlement
6.2.3 Valeurs initiales de poids et de biais
6.2.4 Résiliation anticipée
6.2.5 Extension des données
6.2.6 Prétraitement des données
__6.2.7 Abandon
6.3 Classification des variétés d'iris
6.3.1 Ensemble de données Iris
6.3.2 Données d'entraînement et de test
6.3.3 Configuration du réseau neuronal
6.3.4 Chaque contexte lié à l'apprentissage
6.4 Mise en œuvre de l'apprentissage profond
6.4.1 Saisie et prétraitement des données
6.4.2 Implémentation de chaque couche
6.4.3 Construction d'un réseau neuronal
__6.4.4 Implémentation par mini-lots
6.4.5 Mesure du taux de réponses correctes
6.4.6 Code complet pour la classification des cultivars de données d'iris
6.4.7 Résultats d'exécution
6.4.8 Mesures pour prévenir le surajustement
__6.4.9 Implémentation d'Adagrad
__6.4.10 Mise en œuvre du décrochage scolaire
__6.4.11 Résultats des mesures de prévention du surapprentissage
6.4.12 Classification des variétés

[Chapitre 7] Réseaux neuronaux convolutifs (CNN)
7.1 Aperçu des réseaux neuronaux convolutifs (CNN)
7.1.1 Système de traitement visuel
7.1.2 Structure du CNN
7.1.3 Couche de convolution
__7.1.4 Couche de mise en commun
7.1.5 Couche pré-collée
__7.1.6 Rembourrage
__7.1.7 Foulée
__7.1.8 Formation CNN
7.1.9 Organisation variable
7.2 im2col et col2im
7.2.1 Aperçu de im2col et col2im
__7.2.2 Algorithme im2col
__7.2.3 Implémentation simple de im2col
7.2.4 Code im2col pratique prenant en compte le placement et les canaux
__7.2.5 algorithme col2im
Implémentation de col2im __7.2.6
7.3 Implémentation de la couche convolutionnelle
7.3.1 Aperçu de la mise en œuvre
7.3.2 Propagation directe
__7.3.3 Rétropropagation
7.4 Implémentation de la couche de mise en commun
7.4.1 Aperçu du processus de mise en œuvre
7.4.2 Propagation directe
7.4.3 Rétropropagation
7.5 Implémentation de la couche pré-couplée
7.6 Implémentation d'un réseau neuronal convolutif
7.6.1 Ensemble de données d'utilisation
7.6.2 Réseau neuronal à construire
Code CNN __7.6.3
7.6.4 Résultats d'exécution
__7.6.5 Visualisation des couches convolutionnelles
__7.6.6 Effet de la couche de convolution
7.7 Réseaux neuronaux plus profonds
7.7.1 Construction d'un réseau neuronal
7.2.2 Résultats d'exécution

[Chapitre 8] Autres technologies d'apprentissage profond
8.1 Réseaux neuronaux récurrents (RNN)
8.1.1 Aperçu des RNN
__8.1.2 LSTM
__8.1.3 GRU
8.2 Traitement automatique du langage naturel
__8 2.1 Analyse morphologique
8.2.2 Intégration de mots
8.3 Modèle génératif
__8.3.1 Réseaux antagonistes génératifs (GAN)
__8.3.2 VAE
8.4 Apprentissage par renforcement
8.4.1 Aperçu de l'apprentissage par renforcement
8.4.2 Apprentissage par renforcement profond
Utilisation du GPU : 8,5
__8.5.1 Qu'est-ce qu'un GPU ?
8.5.2 Utilisation des GPU dans l'apprentissage profond
8.6 Cadres d'apprentissage profond
8.7 L'avenir de l'apprentissage profond

La structure de ce livre est la suivante :

Chapitre 1 : Qu'est-ce que l'apprentissage profond ?
Nous présentons la relation entre l'apprentissage automatique, l'intelligence artificielle et l'apprentissage profond, et expliquons brièvement le chemin emprunté jusqu'à présent par l'intelligence artificielle.
L'auteur, passionné par les neurosciences, aborde l'apprentissage profond sous l'angle des neurosciences et présente diverses anecdotes intéressantes sur les similitudes entre l'apprentissage profond et le cerveau.


Chapitre 2 : Présentation de Python
Je ne présenterai ici que les bases de la syntaxe Python et des notebooks Jupyter.
Par « noyau », j'entends ici que je me concentre uniquement sur ce qui est nécessaire au code d'apprentissage profond implémenté tout au long du livre.
Par conséquent, la portée de ce livre est plus restreinte que celle d'un ouvrage présentant Python dans son ensemble, mais il explique tout ce qui est nécessaire pour comprendre le code de programmation présenté dans le livre ; il est donc efficace comme cours de courte durée pour les lecteurs qui ne connaissent pas Python.

Chapitre 3 : Les mathématiques nécessaires à l’apprentissage profond
Comme au chapitre 2, nous n'introduisons ici que les notions mathématiques fondamentales nécessaires à la compréhension et à la mise en œuvre de l'apprentissage profond.
Il couvre l'algèbre linéaire et la dérivation, et les lecteurs ayant terminé leurs études secondaires peuvent le suivre sans difficulté.
Pour cette section, je vous recommande de ne pas vous contenter de la lire des yeux, mais d'essayer de retracer les formules au crayon sur une feuille de papier vierge, comme lorsque vous préparez le CSAT.
Le module d'algèbre linéaire propose des exercices de programmation avec NumPy en Python. Si vous êtes débutant, ne négligez pas cette partie et entraînez-vous régulièrement.


Chapitre 4 Réseaux de neurones
Introduction aux réseaux neuronaux, la théorie de base de l'apprentissage profond.
Les concepts fondamentaux des réseaux neuronaux, notamment les principes des réseaux neuronaux, la connexion entre les couches composées de neurones (nœuds), la propagation avant et arrière, les poids et les biais, et les fonctions d'activation, sont expliqués à l'aide d'un code convivial.
En particulier, la partie qui illustre le rôle et l'influence des poids et des biais dans les réseaux neuronaux avec du code réel est très impressionnante.


Chapitre 5 Rétropropagation
La rétropropagation est le processus de réduction de l'erreur entre le résultat de sortie et la valeur réelle dans un réseau neuronal.
Dans ce processus, différents algorithmes d'optimisation tels que la descente de gradient, Adagrad et Adam sont expliqués à l'aide de formules et de codes.


Chapitre 6 : Mise en œuvre de l'apprentissage profond
L'apprentissage profond est, comme le suggère le mot « profond », une méthode d'apprentissage des données en profondeur par l'empilement de nombreuses couches dans un réseau neuronal.
L'empilement de nombreuses couches de cette manière améliore les performances du réseau neuronal, mais il entraîne également divers problèmes tels que le surapprentissage et la disparition du gradient.
Il est facile à comprendre intuitivement car il présente le processus de résolution concrète de ces problèmes à l'aide des célèbres données Iris, sous forme de code.


Chapitre 7 Réseaux neuronaux convolutifs (CNN)
Tel est l'objectif ultime de ce livre.
De même que l'apprentissage profond a surgi comme une comète lors d'un concours de reconnaissance d'images, il obtient aujourd'hui des résultats exceptionnels dans les tâches de classification d'images.
Le chapitre 7 est l'étape où nous utiliserons tout ce que nous avons appris jusqu'à présent et réaliserons un code de programmation pratique complet qui prend en compte la convolution, les filtres, les canaux et les tailles de lots nécessaires au traitement d'images.
Ce chapitre est le plus long de tous, il est donc possible que vous ressentiez de la fatigue pendant son étude. Cependant, si vous persévérez et suivez attentivement son contenu, vous parviendrez à mettre en œuvre et à comprendre la magie de l'apprentissage profond pour classifier des images de chiffres manuscrits avec une précision remarquable, et vos efforts seront immédiatement récompensés.


Chapitre 8 : Autres technologies d'apprentissage profond
Présentation de la toute dernière technologie d'apprentissage profond.
Il regorge de contenu qui vous donne une idée des progrès réalisés dans le domaine de l'apprentissage profond et de ce à quoi ressemblera son avenir.
C'est très utile et cela donne l'impression d'être un guide permettant de dépasser les bases et d'atteindre un niveau supérieur.


[Caractéristiques principales de ce livre]
- Implémentation d'algorithmes d'apprentissage profond dans un code de programmation Python sans utiliser de framework d'apprentissage profond.
- La grammaire Python de base est essentielle pour la mise en œuvre de l'apprentissage profond.
- Connaissances de base en programmation Python et en utilisation de la bibliothèque de calcul numérique NumPy
- Théories mathématiques fondamentales et principes de codage des formules nécessaires à la compréhension des réseaux neuronaux, tels que la différentiation et l'algèbre linéaire.
- Grâce à une pratique étape par étape, vous atteindrez finalement l'objectif de mettre en œuvre et d'appliquer un réseau neuronal convolutif (CNN).
- Fournit un code Python complet que les lecteurs peuvent appliquer eux-mêmes et développer en un code plus avancé.
- Comprendre intuitivement et facilement le fonctionnement de l'apprentissage profond en le comparant au comportement du cerveau humain.
- Introduction à l'état actuel du développement et aux technologies futures, ainsi qu'à des exemples d'apprentissage profond.

[À qui ce livre est destiné]
- Les débutants complets qui souhaitent se lancer dans ce domaine, tels que les étudiants et le grand public qui ont un intérêt vague pour l'apprentissage automatique, l'intelligence artificielle et l'apprentissage profond mais qui se demandent par quel livre commencer, ainsi que les développeurs issus d'autres domaines.
- Les personnes qui ont une compréhension générale de l'apprentissage profond mais qui souhaitent comprendre plus en détail son histoire, son fondement théorique et sa logique mathématique.
- Pour les personnes qui souhaitent comprendre clairement les algorithmes d'apprentissage profond à travers des formules et les implémenter dans du code de programmation, et qui veulent maîtriser l'ensemble du processus dans un seul ouvrage.
- Les développeurs qui souhaitent écrire du code d'apprentissage profond pratique, l'appliquer immédiatement au travail ou sur site, et mettre en œuvre un apprentissage profond de niveau supérieur.

[Récit de l'auteur]
À nos lecteurs en Corée,
Merci de l'intérêt que vous portez à mon livre, « L'apprentissage profond entre vos mains : la programmation pratique à partir des bases ».
Je suis fier d'affirmer que ce livre, contrairement à tous les autres publiés à ce jour, explique l'apprentissage profond d'une manière très facile à comprendre.
Au Japon, il a été lu par de nombreux lecteurs depuis sa publication en août 2018.


La technologie de l'intelligence artificielle, représentée par l'apprentissage profond, attire l'attention du monde entier, et de nombreuses entreprises et institutions publiques explorent des moyens de l'utiliser dans divers domaines.
Cependant, la plupart des gens pensent encore que l'apprentissage profond est un domaine difficile à maîtriser.
Pour lever ces obstacles, ce livre explique en détail les éléments essentiels de l'apprentissage profond, du langage de programmation Python et des mathématiques de base aux réseaux de neurones convolutifs. Sa structure permet, par une étude progressive, de consolider votre compréhension des fondamentaux de l'apprentissage profond.


Aujourd'hui, l'intelligence artificielle est l'une des technologies les plus précieuses à maîtriser, non seulement pour ses aspects techniques, mais aussi comme discipline de sciences humaines qui stimule l'imagination et la réflexion sur l'avenir. En tant qu'auteur, je serais ravi que les lecteurs coréens puissent, grâce à cet ouvrage, développer leur propre vision de l'intelligence artificielle.
Alors, explorons tous ensemble le monde de l'apprentissage profond !