Please enable JavaScript.

Coggle requires JavaScript to display documents.

5-Deep Learning - Coggle Diagram

- - - - Couches de convolution suivies de couches de pooling.
    - - Convolution, Activation, Pooling
    - - Reconnaissance d'images, Vision par ordinateur
  - - - Difficulté à apprendre des dépendances de grande portée.
    - - Variante de RNN qui résout le problème de dépendance.
  - - - Le générateur crée des données fausses, et le discriminateur les distingue des réelles.
    - - Création d'art, de musique, de textes, etc.
- - - - DQN (Deep Q-Network)
      - A3C (Asynchronous Advantage Actor-Critic)
- - - - Unité de base du RNA.
      - Reçoit des entrées, les combine (somme pondérée), puis applique une fonction d'activation.
    - - Transforme la somme pondérée en sortie du neurone.
      - Types:
        
        1.1.2.1 Sigmoïde
        
        1.1.2.2 ReLU (Rectified Linear Unit)
        
        1.1.2.3 Tanh (Hyperbolique Tangent)
    - - Organisation des neurones en couches.
      - Types:
        
        1.1.3.1 Couches denses (Fully connected)
        
        1.1.3.2 Convolutionnelles (CNN)
        
        1.1.3.3 Récurrentes (RNN, LSTM, GRU)
  - - - Calcul des prédictions à partir des entrées.
    - - Ajustement des poids en fonction des erreurs.
      - Utilise le gradient de l'erreur pour optimiser.
    - - Mesure l'écart entre la prédiction et la valeur réelle.
      - Types:
        
        1.2.3.1 Entropie croisée (Cross-Entropy)
        
        1.2.3.2 Erreur quadratique (Mean Squared Error, MSE)
    - - Méthodes pour minimiser la fonction de perte.
      - Types:
        
        1.2.4.1 SGD (Stochastic Gradient Descent)
        
        1.2.4.2 Adam (Adaptive Moment Estimation)
        
        1.2.4.3 RMSprop