Lorsque je me suis lancer dans l’apprentissage du Deep Learning, j’ai très vite compris qu’un nombre immense de recherche et d’avancée avait déjà était réalisées.
Face à cette montagne de connaissances dont je ne connaissais rien, j’ai décide faire comme tout le monde.
J’ai regardé sur internet les bases du domaine, les concepts, les définitions, les librairies Python à utiliser pour ensuite faire des expérimentations auxquelles je ne comprenais pas grands choses.
L’avantage du Deep Learning, c’est qu’on peut en faire beaucoup sans savoir réellement ce qu’il se passe.
Le désavantage, c’est qu’on peut penser avoir des résultats géniaux sans vraiment comprendre pourquoi. Cela limite les possibilités d’évolution tout en empêchant l’optimisation de ses résultats.
C’est vrai après tout, on peut très bien faire une compétition Kaggle, analyser le problème, comprendre les données et recopier la solution d’un autre candidat.
Ça marchera… mais à quoi bon s’il n’y a pas d’évolution personnelle ?
Après avoir tester plusieurs modèles sans les comprendre ou sans même pouvoir les lire; parce qu’un enchaînement de ConvNet, suivit de MaxPooling et d’un Flatten ne veut pas dire grand chose pour un non-initié; j’ai décidé qu’il fallait que je passe à l’action.
C’est comme ça que je me suis retrouvé face à mon professeur d’Analyse de Données, à la fin des cours, pour lui demander s’il savait quelque chose sur le Deep Learning… S’en es suivit une longue discussion sur l’Intelligence Artificielle, ce qu’on peut faire avec, ce qu’on pourra réaliser dans le futur, les challenges, les défis, l’éthique !
À la fin de cette entretien j’ai pu récupérer quelques notes sur lesquelles j’ai inscrit le nom de plusieurs livres… un seul avait retenu mon attention car mon professeur avait particulièrement insisté dessus : Deep Learning with Python de François Chollet.
En rentrant chez moi, après quelques recherche sur internet, j’ai découvert que François Chollet, l’auteur du livre, est ingénieur chez Google et chercheur en IA. En fait, il est le développeur d’une des librairies les plus utilisées en Deep Learning : Keras.
Bien sûr en tant que Français j’étais forcément fier de voir qu’un compatriote occupe une place majeure dans le Deep Learning.
Ayant enfin trouvé une source de connaissance sérieuse, j’ai décidé de me procurer ce livre.
Je ne suis pas un gros lecteur d’ouvrage technique mais je dois dire que ce livre allie à la fois la simplicité dans l’explication des concepts et le pragmatisme grâce à des exemples concrets d’application du Deep Learning.
Aujourd’hui, c’est grâce à ce livre que j’ai pu bâtir mon site Inside Machine Learning et décrocher mon poste de Data Engineer & Artificial Intelligence dans la création de voitures autonomes !
Ce genre de compétences, ça ne se refuse pas !
Dans ce livre, François Chollet reprend toutes les bases du Deep Learning en commençant par la naissance de l’Intelligence Artificielle jusqu’à la découverte des Réseaux de Neurones et les percées actuelles qu’on arrive à réaliser.
C’est d’ailleurs l’avantage de ce livre, on est accompagné tout du long pour apprendre et pratiquer, que l’on soit débutant ou intermédiaire.
Ce livre est un guide complet dans lequel vous allez comprendre :
Au fait, si ton objectif est d'apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
À présent, on peut revenir à ce que je mentionnais précédemment.
- Les différents types de données
- Les tenseurs
- La descente de gradient
- Les poids et les biais
- Les réseaux de neurones
- Le Deep Learning avec des données :
- Format excel
- Texte
- Image
- Vidéo
- Les couches de neurones :
- Dense
- À convolution
- Récurrente (LSTM & GRU)
- Le Deep Learning Génératif
- Mais aussi des techniques avancées pour tirer le meilleur parti de ses algorithmes de Deep Learning !
Aujourd’hui, le Deep Learning est vraiment une corde à avoir à son arc pour toute personne voulant travailler dans l’Intelligence Artificielle.
C’est d’ailleurs ce que montre cette étude réalisée par Forbes :
Effectivement on peut y voir que les domaines prépondérants dans l’Intelligence Artificielle et le Machine Learning sont en fait TOUS des domaines utilisant le Deep Learning, à savoir :
- NLP (traitement de texte) utilise les réseaux de neurones récurrents
- Conversational AI (dialogue avec une IA) utilise les réseaux de neurones génératifs
- Computer Vision (traitement d’image) utilise les réseaux de neurones à convolution
Le livre Deep Learning with Python vous apporte les bases pour explorer ces domaines qui auront une place majeure dans le monde de demain.
« Nous sommes au début de l’âge d’or de l’IA […] et, pour l’instant, nous n’avons fait qu’effleurer la surface du possible. » – Jeff Bezos, PDG d’Amazon
FAQ :
À qui s’adresse ce livre ?
Ce livre s’adresse à tout pratiquant IT, qu’il soit étudiant ou Data Scientist confirmé.
Pour être concret, ce livre ravira les profils débutants et intermédiaire mais aussi les experts voulant avoir un guide sur le Deep Learning à porter de main.
Combien de temps pour lire ce livre ?
Ce livre n’est pas à lire d’une traite. Il faut y faire des aller-retours et piocher dans les concepts qui vous intéressent. Il y a en tout 384 pages de connaissances.
L’avantage c’est que le sommaire est très bien détaillé. Vous pouvez savoir en quelques secondes vers quelle page vous diriger pour résoudre le problème qui vous intéresse.
Ai-je besoin de prérequis pour comprendre ce livre ?
Il faut connaître un minimum la programmation et si possible le langage Python. Cependant vu que l’auteur explique de manière approfondie, un niveau débutant/intermédiaire suffit pour comprendre l’ensemble du livre.
Est-ce que les compétences que je vais acquérir vont durer dans le temps ?
Dans une récente interview, François Chollet discute du futur de Keras (la librairie Python utilisée dans le livre) qu’il étend entre au moins 5 à 10 ans. De plus, comprendre Keras vous permettra d’aborder beaucoup plus facilement les autres librairies de Deep Learning.
Alors oui, ces compétences sont des bagages essentiels pour toute personne souhaitant faire de l’Intelligence Artificielle !
source :
- François Chollet – son site internet
- Keras – LA librairie de référence en Deep Learning
- Forbes – What are Important AI & Machine Learning Trends for 2020 ?
- Nvidia – Keras & Tensorflow: The Next Five Years
- Photo by Priscilla Du Preez on Unsplash
Un dernier mot, si tu veux aller plus loin et apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
