Chapitre 01.
Classification des images de produits de mode à l'aide de réseaux neuronaux convolutifs (CNN)

01-1.
Mise en place d'un environnement de développement d'apprentissage profond
Préparation à l'apprentissage profond, Google Colab
Composition de l'écran de __Colab
Préparation du laboratoire avec Colab
Points clés organisés par __mots-clés

01-2.
Comprendre les modèles de réseaux neuronaux convolutifs (CNN)
Le premier modèle CNN - LeNet
Couche de convolution - Conv2D
Couche de mise en commun et couche dense - AveragePooling2D, Dense
Points clés organisés par __mots-clés

01-3.
Classification des images de produits de mode
__Construction du modèle LeNet
Entraînement du modèle __LeNet
Points clés organisés par __mots-clés

Chapitre 2. Classification de photos de chiens et de chats à l'aide d'un modèle CNN pré-entraîné

02-1.
Construction d'un modèle CNN de classification d'images
Le premier modèle CNN à remporter le concours ImageNet - AlexNet
Modèle CNN pré-entraîné - VGGNet
Points clés organisés par __mots-clés

02-2.
Catégoriser les photos de chiens et de chats
Chargement du modèle VGGNet
__Catégoriser les photos de chiens et de chats
Points clés organisés par __mots-clés

02-3.
Amélioration des performances des modèles de classification photographique des chiens et des chats
Modèle CNN améliorant les performances d'entraînement - ResNet
__Construction d'un modèle ResNet
__Catégoriser les photos de chiens et de chats
__[En savoir plus] GoogleNet
__[Mini-projet] Classification des photos de chiens et de chats avec GoogleNet
Points clés organisés par __mots-clés

Chapitre 03.
Classification d'images avec des modèles CNN avancés et apprentissage par transfert

03-1.
Optimisation de l'efficacité des modèles de classification d'images
Modèle d'extension de ResNet - DenseNet
Modèle d'environnement mobile (léger) - MobileNet
Points clés organisés par __mots-clés

03-2.
Optimisation des performances des modèles de classification d'images
Modèle le plus performant - EfficientNet
__Construction d'un modèle EfficientNet
Classification des photos de chiens avec le modèle EfficientNet
Points clés organisés par __mots-clés

03-3.
Classification d'images de pistaches par apprentissage par transfert
Classification de photos de chiens avec TensorFlow Hub
__Catégoriser les photos de chiens avec des expressions faciales enlacées
Classification des variétés de pistaches par apprentissage par transfert
__[Mini-projet] Classification des variétés de pistaches avec des modèles Kaggle
Points clés organisés par __mots-clés

Chapitre 04.
Classification des sentiments dans les textes de critiques de films à l'aide du modèle d'encodeur Transformer

04-1.
Comprendre le modèle d'encodeur transformateur
Mécanisme d'attention
__Encodage positionnel et normalisation des couches
__Création d'un modèle d'encodeur transformateur
Points clés organisés par __mots-clés

04-2.
Classification des sentiments dans les textes de critiques de films à l'aide de l'apprentissage par transfert
Modèle de compréhension du langage basé sur un encodeur de transformateurs - BERT
Classification du sentiment dans les critiques de films avec KerasNLP
__Classification des émotions dans les critiques de films avec Hugging Face
__[En savoir plus] Analyse des sentiments avec des modèles affinés
Points clés organisés par __mots-clés

04-3. Classification des sentiments dans les textes de critiques de films à l'aide d'un modèle de suivi BERT
Modèle d'amélioration des performances de __BERT - RoBERTa
Le modèle léger de __BERT - DistilBERT
__[Mini-projet] Création d'un modèle DistilBERT avec KerasNLP
Points clés organisés par __mots-clés

Chapitre 05.
Générer du texte avec le modèle de décodeur Transformer

05-1. Génération de texte avec le modèle GPT-2
__Attention masquée à plusieurs têtes
__Construction d'un module décodeur de transformateur
Générer des textes variés avec le modèle GPT-2
__Créer différents textes avec Hugging Face
Points clés organisés par __mots-clés

05-2.
Générer du texte avec le modèle Llama
__Comprendre le modèle du lama
Construction du modèle Llama-2 avec KerasNLP
Générer du texte avec le modèle __Llama-2
Générer du texte avec le modèle __Llama-3
__[En savoir plus] Llama-3.1 et Llama-3.2
Points clés organisés par __mots-clés

05-3.
Générer du texte avec le modèle Gemma
__Comprendre le modèle Gemma
Construction du modèle Gemma avec KerasNLP
Générer du texte avec le modèle __Gemma
Générer du texte avec le modèle Gemma-2
__[Mini-projet] Création d'un modèle Llama-3 avec KerasNLP
Points clés organisés par __mots-clés

Chapitre 06.
Résumé de texte avec un modèle encodeur-décodeur Transformer

06-1. Résumer un texte avec le modèle BART
__Construction d'un modèle encodeur-décodeur de transformateur
Résumer un texte avec le modèle BART
Points clés organisés par __mots-clés

06-2.
Résumé de texte avec le modèle T5
Comprendre le modèle __T5
Résumer un texte avec le modèle __T5
Résumé de texte avec le modèle __T5-1.1
__[Mini-projet] Création d'une maquette T5-1.1
Points clés organisés par __mots-clés

06-3.
Épilogue

Un livre destiné aux étudiants autodidactes qui souhaitent développer des compétences d'apprentissage approfondies par la pratique plutôt que par la grammaire.

● Le premier modèle de réseau neuronal convolutif (CNN) - classification d'images de produits de mode
Modèle CNN pré-entraîné - Classification de photos de chiens et de chats
Modèles CNN avancés et apprentissage par transfert - Optimisation de l'efficacité des modèles et TensorFlow Hub et HuggingFace
Modèle d'encodeur Transformer - Classification des sentiments dans les critiques de films
● Modèle de décodeur Transformer - Génération de texte avec les modèles GPT, Llama et Gemma
● Modèle encodeur-décodeur Transformer - Résumé de texte avec les modèles BART et T5

La collection « Étudier en faisant soi-même » a été conçue pour les lecteurs qui souhaitent appliquer leurs connaissances acquises à des situations concrètes.
L'objectif principal de cette série est d'aller au-delà de la théorie et de l'apprentissage de la grammaire et de réaliser des projets concrètement utiles dans la vie quotidienne et au travail.


En allant au-delà de la simple mise en œuvre d'un modèle unique et du suivi de son évolution, vous développerez les compétences d'adaptabilité et de survie nécessaires pour faire face aux nouvelles technologies d'apprentissage profond.

● À qui s'adresse ce livre ?

Débutants ayant terminé le livre d'introduction à l'apprentissage profond et souhaitant acquérir une expérience de mise en œuvre
- Ceux qui souhaitent passer à l'étape suivante après avoir étudié 『Machine Learning + Deep Learning (Revised Edition)』
— Ceux qui comprennent les connaissances de base mais se demandent : « Que puis-je faire avec un modèle d'apprentissage profond ? »
Apprenants en apprentissage profond intéressés par les technologies de pointe
- Toute personne intéressée par les dernières technologies en vision par ordinateur et en modélisation du langage à grande échelle
- Ceux qui souhaitent utiliser les modèles d'apprentissage profond les plus récents tels que GPT, Llama et Gemma

● Caractéristiques du livre

Premièrement, un guide convivial qui vous permet d'apprendre par vous-même jusqu'à la fin.

Ne vous inquiétez pas si vous rencontrez des difficultés pendant vos exercices.
Des éléments d'apprentissage systématiques guident les lecteurs afin qu'ils puissent suivre et comprendre le contenu par eux-mêmes.
Les lecteurs de Honman ont accès à trois modules d'apprentissage : « Vérification grammaticale » qui aborde les concepts nécessaires avant d'écrire du code, « Apprendre en suivant » qui inclut des résultats d'exécution et des explications de code, et « Mini-projet » qui vous permet d'appliquer vous-même ce que vous avez appris.

Deux, parfois seuls, parfois ensemble ! Soutien aux cours magistraux et aux sites d'apprentissage sur YouTube, créés directement par leurs auteurs.
http://hongong.hanbit.co.kr
Si vous avez des questions pendant votre lecture, n'hésitez pas à les poser.
Nous gérons un forum de discussion ouvert sur KakaoTalk et un site d'apprentissage de questions-réponses où l'auteur répond personnellement aux questions.
Vous pouvez également télécharger des exemples de fichiers et visionner des cours vidéo à tout moment sur la plateforme Honman Readers Community.


3. AUCUNE INSTALLATION ! Un cours pratique d'apprentissage approfondi qui se déroule en ligne sans les tracas de l'installation.
Tous les exemples du livre « Deep Learning : Learn by Doing It Yourself » sont mis en pratique dans Google Colab, un environnement en ligne.
Bien qu'il soit préférable de tester le code vous-même dans Colab, tout le code présenté dans le livre est disponible sur GitHub.
Vérifiez les résultats d'exécution avec le notebook Jupyter sur GitHub.


Un mot d'un lecteur bêta à propos de la série « Étudier en faisant soi-même »

Si quelqu'un hésite encore à se lancer à cause de la question « Suis-je vraiment capable d'y arriver ? », faites le premier pas avec ce livre.
- Kim Jae-eun, chef de Beta
« L’attention méticuleuse que l’auteur porte aux détails dans la conception du livre, afin de convenir à tous, des débutants aux apprenants de niveau intermédiaire, est remarquable. »
« Ce livre offre une expérience d'apprentissage facile et agréable à suivre. » – Namju Kwak, bêta-lectrice
« Pour ceux qui n'ont appris que la grammaire, la méthode d'apprentissage par la création peut paraître inhabituelle, mais j'ai pu me l'approprier pleinement en créant et en organisant moi-même le code. » – Lee Ha-rang, bêta-lecteur

Cours magistraux de l'auteur sur YouTube + chat ouvert disponible

Si vous avez des questions pendant votre lecture, n'hésitez pas à les poser.
Nous gérons un forum de discussion ouvert sur KakaoTalk et un site d'apprentissage de questions-réponses où l'auteur répond personnellement aux questions.
Vous pouvez également télécharger des exemples de fichiers et visionner des cours vidéo à tout moment sur le site d'apprentissage de Hanbit Media.