Partie 1 : Comment fonctionne l'apprentissage profond
Chapitre 1 : Résumé des principes et du contenu de l'apprentissage automatique
1.1 ML (apprentissage automatique)
1.2 DL (apprentissage profond)
1.3 Apprentissage par renforcement (RL)
Chapitre 2 : Données d’apprentissage profond et trois réseaux neuronaux de base
2.1 Prétraitement des données
2.2 Types de données utilisées en apprentissage profond
2.3 Conception de trois réseaux neuronaux principaux pour la couche cachée
Chapitre 3 Fonctions de perte et optimisation
3.1 Couche de sortie et fonction de perte
3.2 Rétropropagation
3.3 Algorithme d'optimisation
Chapitre 4 : Comprendre PyTorch
4.1 Grammaire et applications PyTorch
4.2 Structure des modèles d'apprentissage profond, des ensembles de données et stockage des modèles
4.3 Applications des MLP, RNN et CNN
Chapitre 5 : Analyse des erreurs, optimisation des hyperparamètres et amélioration des performances des modèles d’apprentissage profond
5.1 Analyse des erreurs
5.2 Partitionnement des données
5.3 Optimisation des hyperparamètres
5.4 Amélioration des performances des modèles d'apprentissage profond
Chapitre 6 : Applications des réseaux de neurones convolutifs et de l’apprentissage par transfert
6.1 Application des CNN à la distinction du genre humain
6.2 Apprentissages antérieurs
6.3 Apprentissages antérieurs et augmentation des données
Chapitre 7 : Préordonnancement des données textuelles et application des RNN
7.1 Processus de pré-organisation des données textuelles
7.2 Word2Vec, Glove et l'intégration de mots
7.3 Application du modèle RNN
7.4 Comparaison avec d'autres modèles RNN et CNN
7.5 Résumé du prétraitement des données textuelles
Chapitre 8 : Analyse des séries temporelles à l’aide des modèles Mamba, GNN et KAN
8.1 Mamba
8.2 GNN (Réseau neuronal graphique)
8.3 KAN (réseau Komogorov Arnold)
8.4 Application aux données de séries temporelles
Chapitre 9 : Évolution de l'architecture des CNN
9.1 LeNet-5
9.2 AlexNet
9.3 VGGNet
9.4 ResNet
9.5 Inception
9.6 Architecture STEM-Apprenant-Tâche
9.7 L'évolution de l'apprentissage profond
Partie 2 Vision par ordinateur
Chapitre 10 Détection d'objets I (R-CNN, Fast R-CNN, Faster R-CNN)
10.1 Suréchantillonnage
10.2 Identification des panneaux de signalisation
10.3 Détection d'objets avec R-CNN
10.4 Fast R-CNN
10.5 Faster R-CNN
Chapitre 11 Détection d'objets II (YOLO~YOLO12)
11.1 Détermination de la véritable boîte carrée et de la variable objectif de YOLO
11.2 YOLO-v3
11.3 Évolution de la version YOLO
Chapitre 12 : Visualisation des canaux, rêve profond et transfert de style
12.1 Visualisation des canaux
12.2 Rêve profond
12.3 Style précédent
Chapitre 13 : Auto-encodeurs variationnels et modèles de diffusion
13.1 Auto-encodeur
13.2 Auto-encodeur variationnel
13.3 VAE conditionnelle
13.4 Modèle de diffusion
Chapitre 14 Réseaux antagonistes génératifs (GAN)
14.1 DCGAN
14.2 Cycle GAN
3e partie du LLM
Chapitre 15 : Modèle Seq2Seq
15.1 Pré-organisation des données
15.2 Apprentissage de séquence à séquence
15.3 Seq2Seq utilisant Attention
Chapitre 16 Transformateur
16.1 Couche d'entrée du transformateur
16.2 Couche cachée du transformateur
16.3 Application du transformateur
16.4 Chatbot coréen
Chapitre 17 Modèles de langage naturel
17.1 Pré-entraînement, ajustement fin, apprentissage avec peu d'exemples et apprentissage sans exemple
17.2 Tokenisation des sous-mots
17.3 Modèle de langage à auto-encodage
17.4 Transformateur pré-entraîné génératif (GPT) et échantillonnage pour la génération de texte
Chapitre 18 : ViT, OCR, CLIP, diffusion stable, SAM et remplissage d’images
18.1 ViT (Transformateur de vision)
18.2 TrOCR
18.3 CLIP (pré-entraînement contrastif langage-image)
18.4 Modèle de diffusion stable
18.5 Modèle de segmentation tout-en-un (SAM)
18.6 Peinture en relief
Chapitre 19 : Évolution du modèle LLM
19.1 T5 et LlaMA
19.2 Évolution de l'attention du transformateur
19,3 RWKV
19.4 Ajustement de l'adéquation du modèle LLM
19.5 Génération augmentée pour la récupération (RAG)
19.6 Comparaison des modèles LLM et des modèles LLM open source
19.7 L'évolution de l'IA
Chapitre 20 : Applications des modèles de langage utilisant Hugging Face
20.1 Comment sélectionner un modèle NLP dans Transformers
20.2 Application des modèles de langage à l'aide de Hugging Face
20.3 Réglage fin à l'aide de Hugging Face
Chapitre 21 : Procédures de création d’un LLM et ingénierie rapide
21.1 Procédure de création d'un modèle LLM
21.2 Un LLM de style coréen est-il nécessaire ?
21.3 Ingénierie rapide
Références
Recherche

Ce livre est divisé en trois parties dans ce but.
La première partie aborde les principes fondamentaux de l'apprentissage profond, notamment le concept d'apprentissage profond, la structure de base, l'estimation des paramètres et les principes de fonctionnement, le diagnostic du modèle et les techniques d'amélioration des performances, ainsi que la quantification du langage naturel.
Les parties 2 et 3 se concentrent sur l'application de l'apprentissage profond à la vision par ordinateur et aux modèles de langage, y compris LLM.
La partie 2 traite de la reconnaissance d'objets, essentielle pour les véhicules autonomes, à l'aide de la série R-CNN et de YOLO-v1 à YOLO-v12, de l'art IA utilisant Deep Dream et le transfert de style, ainsi que de la génération de données et du cross-domaine à l'aide de VAE, de modèles de diffusion et de modèles GAN.
La partie 3 traite du transformateur, qui a donné naissance à l'IA générative de pointe actuelle, et de ses modèles pré-entraînés dérivés tels que BERT, GPT, T5 et BART, ainsi que de l'utilisation de divers modèles pré-entraînés utilisant Hugging Face, le réglage fin et les modèles coréens.
Les techniques récentes d'IA générative utilisant Transformer, telles que ViT, OCR, CLIP, Stable Diffusion, SAM et In-painting, sont également expliquées et appliquées selon des principes théoriques.
De plus, nous avons discuté de l'évolution du modèle LLM depuis Transformer, et en particulier, nous avons divisé le processus de développement des LLM génératifs souverains tels que ChatGPT et Gemini en neuf étapes et expliqué pourquoi un modèle de base coréen est nécessaire sur cette base.
Enfin, l'ingénierie des invites, qui modifie et améliore les invites pour aider l'IA (fondation LLM) à comprendre les intentions de l'utilisateur et à obtenir les meilleurs résultats, a été abordée avec divers exemples d'invites du point de vue de cinq cadres d'invite.

À l'avenir, plutôt que de vivre en harmonie avec l'IA, ceux qui la comprennent et la maîtrisent auront davantage d'opportunités. Il est possible de vivre sans comprendre l'IA.
Cependant, ceux qui maîtrisent les principes de l'IA peuvent impulser ce changement. Si l'utilisation efficace de l'IA est importante, nous entrons dans une ère où une compréhension approfondie de l'IA devient encore plus cruciale.
J'espère que ce livre pourra répondre à ces besoins contemporains.

Le code fourni dans ce livre a été écrit en PyTorch, et le code et les données nécessaires peuvent être téléchargés depuis le site web de Free Academy (www.freeaca.com).
Je tiens à exprimer ma gratitude à Mme Im Ja-young et à M. Park Jin-se pour leur aide précieuse dans la correction des erreurs et la réalisation des nombreux schémas conceptuels de cet ouvrage. J'exprime également toute ma reconnaissance à mon épouse et à ma famille pour leur soutien indéfectible et leurs encouragements discrets jusqu'à la publication de ce livre.