1 – Introduction

• Où trouve-t-on du deep learning ? Le traitement d’images et vidéos, le traitement du son, le traitement du texte.
• Quelles sont les contraintes du deep learning ? Le volume de données et les infrastructures nécessaires, les problématiques éthiques.
• Qu’est-ce que le deep learnning ? Brève histoire du deep learning, les révolutions du hardware, de la data et du software, les leaders mondiaux du deep learning, l’hypothèse hiérarchique.

2 – Le neurone artificiel

• Qu’est-ce qu’un neurone artificiel ? Inspiration du neurone biologique, application aux problèmes de classification binaire.
• Comment fonctionne l’apprentissage ? La descente de gradient, les méthodes par batch et stochastiques.
• Comment évaluer un modèle ? Les jeux de test et de validation, le compromis biais/variance.

3 – Le réseau de neurones

• Pourquoi un seul neurone ne suffit pas ? Le cas historique de XOR, les fonctions d’activation, les réseaux de neurones à une couche et multi-couches.
• Comment gérer un projet de deep learning ? La référence humaine, les différents jeux de données, l’analyse de diagnostics et sa résolution, l’analyse manuelle d’erreurs.
• Quels sont les outils de développement du deep learning ? TensorFlow, PyTorch et les autres.

4 – Le traitement automatique d’images

• Qu’est-ce qu’un réseau de neurones convolutif ? Les bases du traitement d’images, les applications les plus courantes, les couches convolutives et de pooling.
• Comment détecter des objets sur une image ? Les métriques de performance en détection d’objet, la structure des labels de données, l’architecture Yolo, la suppression non-maximale.
• Comment appliquer un transfert de style artistique ? L’apprentissage par transfert, les hallucinations des réseaux de neurones, le transfert de style, le piratage des réseaux de neurones.

5 – Le traitement automatique du langage

• Qu’est-ce qu’un réseau de neurones récurrent ? Les bases du traitement de texte, les applications les plus courantes, les couches récurrentes de type GRU et LSTM, application à génération de noms de communes françaises.
• Comment faire de la traduction automatique ? L’architecture Seq2Seq et le teacher forcing, application à la traduction littérale de chiffres.
• Comment comprendre le langage naturel ? La détection des éléments de grammaire, la reconnaissance d’entités nommées

6 – L’IA générative

• Comment restaurer des images dégradées ? L’architecture auto-encodeur et la labellisation des données selon des classes de dégradations.
• Comment réaliser un deep fake ? L’architecture auto-encodeur permuté, application au jeu de données MNIST.
• Comment générer de nouvelles données réalistes ? Le phénomène ChatGPT, les risques encourus, la future réglementation européenne dédiée aux IA génératives, les protocoles d’évaluation.

7 – L’avenir du deep learning

• Quelles actualités autour du deep learning ? L’omniprésence du deep learnning sur les réseaux sociaux et dans les applications de SmartPhone.
• Le deep learning est-il compatible avec la sobriété numérique ? Le rôle des infrastructures, l’écart entre offre et demande énergétique autour de l’intelligence artificielle, ordres de grandeur des émissions de CO2 générées par les modèles de deep learning, méthodes de réduction de l’empreinte environnementale des projets.
• Quelles applications vont changer le monde demain ? La traduction multi-modale et la génération d’œuvres d’art.