Bonjour et merci pour ce second volet.
Si je peux me permettre, je souhaite apporter quelques critiques "anticipées", liées à mon environnement personnel de découverte du monde des réseaux de neurones, étant un fervent défenseur de la compréhension complète des notions abordées....
Lorsqu'on souhaite optimiser un peu le réseau ou même simplement l'adapter plus sainement aux features analysées, il faudra souvent aborder des notions mathématiques plus poussées que le niveau Lycée. Je ne dis pas ça pour en décourager certains, mais si l'on souhaite faire quelque-chose de solide et performant, la complexité peut vite exploser. Les fonctions internes sont généralement linéaires, mais l'objet du produit est de fournir une interprétation de fonction non linéaire (voir chaotiques). On emploie donc un programme de niveau lycée pour résoudre des sujet pouvant être extrêmement complexe de niveau post-doc.... Il est donc important d'avoir le niveau nécessaire pour comprendre à quelle catégorie appartient le sujet que l'on souhaite traiter.
Enfin, un conseil pour éviter que ce cours ne ressemble à 95% de tout ceux que l'on retrouve sur le net : Je conçoit tout à fait que la majeur partie des utilisateurs de réseaux de neurones se limitent au développement sous python à l'aide de multiples bibliothèques disponibles et certainement très puissantes, mais ne pas trop s'appuyer sur python pour expliquer le fonctionnement du sujet. Lorsque j'essaie de trouver des cours sur le net, je ne trouve rien d'autre que des codes pythons avec uniquement des explications haut niveau, tronquées et parfois (souvent ?) fausses. Une explication détaillée complète et approfondie est nécessaire avant de pondre le code associé (peu importe le langage finalement). Exemple : expliquer d'où vient le coefficient alpha (coefficient d'apprentissage), ou le coefficient lambda (linéarisation), pourquoi le drop-out permet d'offrir un réseau plus solide et limite le sur-apprentissage, d'où vient le biais etc... Bref, tout est liées aux régressions linéaires et peut s'appliquer sur des fonctions polynomiales simples (plus facile pour expliquer à quoi correspondent certaines notions et les représenter graphiquement).
Quoi qu'il en soit, tu t'es lancé dans une entreprise longue et complexe mais fort intéressante ; je te souhaite donc bonne continuation et bon courage !
0 |
0 |
Bonsoir,
), mais dans l'ensemble je ne ressent plus cette sensation de désespoir ressentit lors de toutes mes tentatives précédentes sur le sujet.