@Sophie Basse SENE
Ingénieur junior en DATA et
IA
INTRODUCTIO
N AU DEEP
LEARNING
2025
24
Introduction Data Augmentation
01 04
Réseaux de Transfer Learning
02 neurones
05
Réseaux de
03 Neurones
06 Applications
Convolutifs
01
Introduction
01 Intelligence L'intelligence artificielle (IA) est un
Artificielle ensemble de théories et de
techniques visant à réaliser des
machines capables de simuler l'
intelligence humaine1.
IA symbolique IA
connexionniste
01
Intelligence
Artificielle
Le Machine Learning est une
Machine Learning
branche de l'intelligence artificielle
qui permet aux ordinateurs
d'apprendre à partir de données
sans être explicitement
programmés.
Deep
Learning
Machine Learning
Deep Learning
HISTORIQUE
1943 1986 199 2012
1957
McCulloch et 0
Pitts ont Perceptron de Invention du Réseaux de Explosion de
proposé un Frank RosenblattPerceptron neurones l’utilisation du Deep
modèle Multicouche par convolutifs Learning:IMAGENET
mathématique Geoffrey Hinton par
du neurone Yann LeCun
biologique.
02
Réseaux de neurones
Le perceptron
y=wx+b
Le perceptron
perceptron multicouche
• Couche d'entrée
• Couche(s) cachée(s)
• Couche de sortie
Fonctions d’activations
FORWARD PROPAGATION
La propagation avant consiste à faire passer les données d'entrée à travers les couches d'un
réseau de neurones. Chaque couche applique une combinaison linéaire des entrées suivie d'une
fonction d'activation. En sortie, une prédiction est générée (par exemple via Sigmoïde ou
Softmax).
Fonctions de perte/coût (loss
function)
La fonction de perte mesure l'erreur entre les
prédictions d'un modèle et les valeurs cibles
réelles.
Back Propagation
La rétropropagation consiste à ajuster les poids d'un réseau de neurones pour minimiser
l'erreur
• Calcul de l'erreur : Comparer la sortie du réseau à la valeur attendue avec une fonction de
perte.
• Propagation de l'erreur : L'erreur est propagée en arrière à travers les couches pour calculer
les gradients.
• Mise à jour des poids : Ajuster les poids grâce à la descente de gradient pour réduire
l'erreur.
• Répétition : Répéter jusqu'à réduction suffisante de l'erreur.
03
Réseaux de Neurones
Convolutifs
Les couches individuelles de
CNN sont :
• Convolutional layers ou
couches de convolution
(CONV)
• Pooling layers ou couches
de Pooling (POOL)
• ReLU layers ou couches
d’activation ReLU (Rectified
Linear Units)
• Fully Connected layers ou
couches Fully Connected
(FC)
couches de convolution couches de Pooling couches Fully Connected
04
Data Augmentation
04
La data augmentation est une technique utilisée pour créer artificiellement de nouvelles
données à partir des données d'entraînement existantes. L'objectif est d'enrichir un jeu de
données initial afin d'améliorer les performances d'un modèle.
Techniques courantes de data augmentation
:
• Computer Vision : Rotation, zoom, flou, changement de couleurs.
• NLP : Remplacement de mots, suppression aléatoire de mots, génération de phrases
artificielles.
• Reconnaissance Vocale : Ajout de bruit, modification de la vitesse, changement de
tonalité.
04
Exemple
Cet article se concentre sur la synthèse des
méthodes d’augmentation des données en NLP.
Cet article se concentre sur la synthèse des
techniques d’augmentation des données en NLP.
05
Transfer Learning
05
Le transfer learning est une technique d'apprentissage automatique qui consiste à réutiliser les
connaissances acquises par un modèle lors de la résolution d'un premier problème, pour
l'appliquer à la résolution d'un second problème similaire. L'objectif est de tirer parti des
capacités de représentation développées sur un "problème source" pour accélérer et améliorer
l'apprentissage sur un "problème cible" connexe
Modèles pré-entraînés
Les modèles pré-entraînés sont des réseaux de neurones déjà formés sur de vastes ensembles
de données pour accomplir des tâches spécifiques.
• ResNet (Residual Network)
• VGG (Visual Geometry Group)
• YOLO (You Only Look Once)
• BERT
• GPT
• Wav2Vec 2.0
• DeepSpeech (Mozilla)
• Conformer (Google)
• Whisper (OpenAI)
Fine-Tuning
Le fine-tuning est une technique qui consiste
à utiliser un modèle pré-entraîné et à
l'ajuster légèrement pour une nouvelle tâche
spécifique.
Les meilleurs outils et bibliothèques de Fine-
Tuning
Frameworks et Bibliothèques
Outils Complémentaires
Ressources Communautaires
06
Applications
voice recognition
Computer Vision
anomaly detection
NLP
Merci pour
votre
attention!
