糖心vlog官网观看

Read in English (Lire en anglais).

Un mod猫le d'apprentissage automatique est un algorithme qui reconna卯t des mod猫les dans les informations. Ces mod猫les sont form茅s sur un ensemble de 诲辞苍苍茅别蝉 et guid茅s par des instructions appel茅es algorithme d'apprentissage automatique. Les mod猫les d'apprentissage automatique peuvent 锚tre utilis茅s pour automatiser les processus de prise de d茅cision r茅p茅titifs, trier les informations, cr茅er de nouveaux 茅chantillons de 诲辞苍苍茅别蝉 et faire des pr茅dictions.聽

Par exemple, supposons que vous souhaitiez entra卯ner une cam茅ra de s茅curit茅 domestique 脿 reconna卯tre certaines personnes. Vous pouvez fournir au mod猫le un ensemble de 诲辞苍苍茅别蝉 d'entra卯nement compos茅 de photos de votre famille, en les 茅tiquetant comme non mena莽antes. Un algorithme d'apprentissage automatique peut demander 脿 la cam茅ra de ne pas 茅mettre d'alertes de s茅curit茅 lorsqu'elle d茅tecte une personne incluse dans l'ensemble de 诲辞苍苍茅别蝉 non mena莽antes. D茅sormais, au lieu de recevoir des alertes de s茅curit茅 pour chaque mouvement d茅tect茅, vous ne recevrez des alertes de s茅curit茅 que pour les d茅tections de mouvement caus茅es par des personnes ext茅rieures 脿 votre famille.聽

Qu'est-ce qu鈥檜n GAN ? Signification de GAN

GAN signifie 芦 r茅seau antagoniste g茅n茅ratif 禄 (Generative Adversarial Network).

Il s'agit d'un type de mod猫le d'apprentissage automatique appel茅 r茅seau neuronal, sp茅cialement con莽u pour imiter la structure et le fonctionnement d'un cerveau humain. Pour cette raison, les r茅seaux neuronaux de l'apprentissage automatique sont parfois appel茅s r茅seaux neuronaux artificiels (RNA). Cette technologie est 脿 la base de l'apprentissage profond, une sous-cat茅gorie de l鈥檃pprentissage automatique (Machine Learning) capable de reconna卯tre des mod猫les complexes dans diff茅rents types de 诲辞苍苍茅别蝉 tels que des images, des sons et du texte.聽

Apprenez-en plus sur les applications concr猫tes des GAN dans cette conf茅rence du cours Sp茅cialisation en R茅seaux Antagonistes G茅n茅ratifs (GAN) de DeepLearning.AI :

Neurones humains vs neurones artificiels

Les neurones de votre cerveau sont des cellules qui utilisent des substances chimiques et des signaux 茅lectriques pour envoyer des informations entre diff茅rentes parties de votre cerveau et de votre corps. Les neurones des mod猫les d'apprentissage automatique sont des modules logiciels qui s'envoient des informations et des calculs.聽

Mod猫les g茅n茅ratifs

Les mod猫les g茅n茅ratifs peuvent 驳茅苍茅谤别谤 de nouveaux 茅chantillons de 诲辞苍苍茅别蝉 en interpr茅tant la mani猫re dont les 诲辞苍苍茅别蝉 sont plac茅es en plus de ce que les 诲辞苍苍茅别蝉 repr茅sentent. En revanche, les mod猫les discriminatifs se concentrent sur la diff茅renciation des 茅chantillons de 诲辞苍苍茅别蝉 existants.聽

R茅seaux neuronaux

Les mod猫les g茅n茅ratifs sont constitu茅s de deux types de r茅seaux neuronaux :

1. G茅n茅rateur. Les g茅n茅rateurs sont des r茅seaux neuronaux convolutifs (CNN, pour Convolutional Neural Networks), un type d'algorithme d'apprentissage profond qui peut traiter une image d'entr茅e, diff茅rencier les objets qu'elle contient et attribuer une importance 脿 chacun d'eux. Ces degr茅s d'importance sont appel茅s pond茅rations. Un r茅seau g茅n茅rateur vise 脿 cr茅er des sorties qui pourraient 锚tre confondues avec des 诲辞苍苍茅别蝉 r茅elles.聽

2. Discriminateur. Les discriminateurs sont des r茅seaux neuronaux d茅convolutifs (DNN, pour Deconvolutional Neural Networks). Ces algorithmes fonctionnent 脿 l'inverse des CNN, en visant 脿 identifier les caract茅ristiques d'une entr茅e qui ont 茅t茅 soit manqu茅es par le CNN, soit m茅lang茅es avec d'autres signaux. Un r茅seau discriminateur vise 脿 identifier quelle sortie re莽ue est artificielle.

La situation d鈥檃ntagonisme

Dans le contexte des GAN, le terme 芦 antagoniste 禄 d茅crit l鈥檈nvironnement d鈥檈ntra卯nement de chaque r茅seau neuronal (DNN et CNN).

Lors de l'entra卯nement, les r茅seaux g茅n茅rateur et discriminateur s'affrontent dans un jeu de bluff. Le g茅n茅rateur cr茅e des 茅chantillons de 诲辞苍苍茅别蝉 artificiels, comme de fausses images, pour tromper le discriminateur et le convaincre de les accepter comme authentiques. En r茅ponse, le discriminateur tente d'identifier quels 茅chantillons de 诲辞苍苍茅别蝉 sont de vraies images et lesquels ne le sont pas. Ils pratiquent ce jeu encore et encore, chacun am茅liorant son travail 脿 chaque fois.聽

Mod猫les g茅n茅ratifs vs mod猫les discriminatifs

Supposons que vous ayez fourni cette ligne de caract猫res 脿 un mod猫le discriminatif et 脿 un mod猫le g茅n茅ratif :聽

^ 鈱� ^ 鈱� ^ 鈱�

Un mod猫le g茅n茅ratif peut pr茅dire la probabilit茅 qu'une fl猫che vers le bas apparaisse ensuite dans la file. Un mod猫le discriminatif peut d茅cider quels symboles sont orient茅s vers le haut et lesquels sont orient茅s vers le bas. Bien que le mod猫le g茅n茅ratif reconnaisse 茅galement quelles fl猫ches sont orient茅es dans quelle direction, il pousse son analyse plus loin en attribuant une probabilit茅 脿 une s茅quence de symboles. Les mod猫les discriminatifs se concentrent plut么t sur la probabilit茅 que les 茅tiquettes 芦 vers le haut 禄 et 芦 vers le bas 禄 s'appliquent 脿 chaque symbole.

Types de r茅seaux antagonistes g茅n茅ratifs

Les chercheurs continuent de trouver de nouveaux cas d'utilisation des r茅seaux antagonistes g茅n茅ratifs et d'am茅liorer les techniques GAN existantes. Voici quelques exemples de diff茅rents types de GAN :

• CycleGAN : Les r茅seaux antagonistes g茅n茅ratifs de type CycleGAN se concentrent sur les traductions d'image 脿 image. L'ensemble de 诲辞苍苍茅别蝉 d'apprentissage se compose de deux ensembles de 诲辞苍苍茅别蝉 non appari茅s ou de groupes d'images sans 茅tiquettes ni correspondances. Le CycleGAN utilise ces informations pour apprendre 脿 transformer des images d'un ensemble en images qui pourraient passer pour appartenir 脿 l'autre ensemble. Par exemple, supposons que vous ayez fourni 脿 un CycleGAN deux ensembles d'images : l'un repr茅sentant des chats domestiques et l'autre des tigres. Le r茅sultat pourrait ressembler 脿 une image r茅aliste d'un chat domestique avec des rayures de tigre. Ou 脿 l'inverse, pourrait repr茅senter un tigre de la taille d'un chat domestique.

• GAN super-r茅solution : Les SRGAN (super-resolution GANs) ont pour but聽d鈥檃ugmenter la r茅solution d'une image en remplissant les d茅tails des zones floues d'une image. Ils y parviennent en utilisant la fonction de perte perceptuelle, une technique qui mesure la diff茅rence entre les caract茅ristiques perceptuelles de haut niveau de deux images. Cette technique permet de convertir une image basse r茅solution en une image haute r茅solution.

Avantages et inconv茅nients des r茅seaux antagonistes g茅n茅ratifs

Apprenez-en plus sur les r茅seaux antagonistes g茅n茅ratifs avec 糖心vlog官网观看

Si vous d茅butez dans l鈥檃pprentissage automatique, vous pourriez envisager de commencer par un cours en ligne adapt茅 aux d茅butants.

Vous pouvez apprendre 脿 cr茅er et 脿 former des mod猫les d'apprentissage automatique en seulement deux mois avec la Sp茅cialisation en Apprentissage Automatique propos茅e par l'Universit茅 de Stanford et DeepLearning.AI.

Si vous connaissez d茅j脿 les mod猫les d'apprentissage automatique et souhaitez en savoir plus sur les GAN, vous pr茅f茅rerez peut-锚tre un programme de niveau interm茅diaire comme la Sp茅cialisation en R茅seaux Antagonistes G茅n茅ratifs (GAN) propos茅e par DeepLearning.AI. Vous acquerrez une meilleure compr茅hension des composants GAN, comparerez les mod猫les g茅n茅ratifs et cr茅erez vos propres GAN de base 脿 l'aide de PyTorch.