What You Need to Know Before
You Start

Starts 22 June 2025 00:39

Ends 22 June 2025

00 days
00 hours
00 minutes
00 seconds
course image

Réseaux Neuronnaux : Propagation Avant et Rétropropagation - Cours 25

Plongez dans l'entraînement des réseaux neuronaux avec les techniques de propagation avant et de rétropropagation pour l'optimisation des paramètres dans cette exploration complète.
UofU Data Science via YouTube

UofU Data Science

2743 Cours


1 hour 21 minutes

Optional upgrade avallable

Not Specified

Progress at your own speed

Free Video

Optional upgrade avallable

Aperçu

Plongez dans l'entraînement des réseaux neuronaux avec les techniques de propagation avant et de rétropropagation pour l'optimisation des paramètres dans cette exploration complète.

Programme

  • Introduction aux réseaux de neurones
  • Aperçu des architectures de réseaux neuronaux
    Importance de la propagation avant et arrière dans l'entraînement
  • Propagation avant
  • Explication de la propagation avant
    Modèle mathématique et calculs dans les réseaux de propagation avant
    Fonctions d'activation et leurs rôles (ReLU, Sigmoid, Tanh)
    Exemple de propagation avant dans un réseau de neurones simple
  • Rétropropagation
  • Concept de la rétropropagation comme méthode d'entraînement des réseaux
    La règle de chaîne en calcul différentiel et son application aux réseaux neuronaux
    Dérivation des gradients d'erreur par rapport aux poids
    Étapes pratiques de l'exécution de la rétropropagation
    Exemple de rétropropagation en action
  • Optimisation des paramètres
  • Fonctions de perte et leur signification (MSE, Cross-Entropy)
    Introduction à l'algorithme de descente de gradient
    Variantes de la descente de gradient (Stochastique, Mini-lots)
    Réglage des hyperparamètres (taux d'apprentissage, époques)
  • Mise en œuvre et pratique
  • Codage de la propagation avant et arrière à partir de zéro en Python
    Utilisation de bibliothèques (TensorFlow, PyTorch) pour les réseaux neuronaux
    Exercice pratique : Entraîner un modèle de réseau de neurones simple
  • Pièges courants et meilleures pratiques
  • Problèmes de surapprentissage et de sous-apprentissage
    Techniques de régularisation (L1, L2, Dropout)
    Conseils pour le débogage des modèles de réseaux neuronaux
  • Conclusion et Q&R
  • Points clés à retenir des processus de propagation avant et arrière
    Discussion ouverte pour questions et discussions supplémentaires

Sujets

Informatique