“Tout ce qu’il faut savoir sur les réseaux de neurones pour devenir un héros !” (épisode 5)

“Lors de la première partie, nous avons découverts les grands principes de l’IA, un certains nombres d’enjeux et de limites ainsi que le cadre règlementaire qui se met en place. Cette seconde partie à pour but d’appréhender la mise en oeuvre ces outils, comment élaborer des modèle et entrainer ceux-ci, afin de résoudre des probèmes concrets. Cette formation propose une immersion progressive dans l’univers des réseaux de neurones. Nous partirons des fondamentaux de la régression linéaire jusqu’à la construction d’un neurone artificiel. Nous explorerons ensuite comment l’assemblage de ces neurones a donné naissance à des architectures complexes telles que DNN, véritables symphonies d’interconnexions neuronales. Nous découvrirons le rôle crucial des fonctions d’activation, véritables “bougies d’allumage” des réseaux de neurones, ainsi que l’importance des fonctions de Loss et des métriques dans le suivi de la performance. Une illustration pratique autour d’une régression oenologique avec un DNN viendra ancrer ces notions dans un cas d’usage concret. Enfin, nous aborderons des bonnes pratiques pour guider l’utilisation de ces modèles en fonction des problématiques rencontrées.”

NoteToDo this week

Watch the video “Tout ce qu’il faut savoir sur les réseaux de neurones pour devenir un héros !” (épisode 5) before 2025-11-07.

Course

Course webpage: https://fidle.cnrs.fr/w3/archives/2024-2025/05-DNN.html

Video course: “Tout ce qu’il faut savoir sur les réseaux de neurones pour devenir un héros !” (épisode 5) (~1h35 course)

Outline

• De la régression linéaire au neurone artificiel
• {“MLP, DNN”=>”La symphonie des neurones”}
• Les fonctions d’activation ou les bougies d’allumage des NN
• Les fonctions de Loss et les métriques
• Illustration pratique : Régression oenologique avec un DNN
• Une boussole pour l’utilisations des modèles

Tutorial/practical

We will setup our environment and start playing with the following notebooks:

Linear and logistic regression

See the LinReg/ sub-folder in the notebook repository:

• LINR1 - Linear regression with direct resolution
• GRAD1 - Linear regression with gradient descent

Perceptron Model 1957

See the Perceptron/ sub-folder in the notebook repository:

• PER57 - Perceptron Model 1957

Wine Quality prediction (DNN), using Keras3/PyTorch

See the Wine.Keras3/ sub-folder in the notebook repository:

• K3WINE1 - Wine quality prediction with a Dense Network (DNN)

Wine Quality prediction (DNN), using PyTorch/Lightning

See the Wine.Lightning/ sub-folder in the notebook repository:

• LWINE1 - Wine quality prediction with a Dense Network (DNN)

MNIST classification (DNN, CNN), using Keras3/PyTorch

See the MNIST.Keras3/ sub-folder in the notebook repository:

• K3MNIST1 - Simple classification with DNN
• K3MNIST2 - Simple classification with CNN

MNIST classification (DNN, CNN), using PyTorch

See the MNIST.PyTorch/ sub-folder in the notebook repository:

• PMNIST1 - Simple classification with DNN

MNIST classification (DNN, CNN), using PyTorch/Lightning

See the MNIST.Lightning/ sub-folder in the notebook repository:

• LMNIST1 - Simple classification with DNN
• LMNIST2 - Simple classification with CNN