Modéliser le langage avec les réseaux de neurones récurrents (RNN) dans Keras
6 chapitres · 56 leçons
≈ 14 h
Attestation de suivi
Réglable par votre employeur, sur devis et facture
Créez votre compte gratuit
13 leçons sont ouvertes, sans carte bancaire.
Créer mon compte
J’ai déjà un compte
Vos données sont hébergées dans l'Union européenne. Confidentialité
Description
Comment se déroule le cours
Chaque leçon est un texte structuré, illustré d’exemples et de schémas, suivi d’un quiz corrigé automatiquement. Vous avancez à votre rythme, et vos notes restent attachées à la leçon où vous les avez prises.
Ce format vous convient ?
Voir la première leçon13 leçons ouvertes, sans carte bancaire.
Programme
6 chapitres, 56 leçons
- 2. Introduction et découverte des réseaux de neurones récurrentsouvert
- 2. Comparer la complexité des RNN et des réseaux de neurones classiquesouvert
- 2. Appliquer les RNN à l’analyse de sentimentouvert
- 2. Découvrir les modèles de séquence à séquenceouvert
- 2. Comprendre les principes de la modélisation du langageouvert
- 2. Explorer les caractéristiques des données textuellesouvert
- 2. Préparer les textes pour leur traitement par un modèleouvert
- 2. Adapter de nouveaux textes pour les utiliser avec le modèleouvert
- 2. Mettre en place des RNN avec Kerasouvert
- 2. Construire des modèles avec Kerasouvert
- 2. Préparer les données textuelles avec Kerasouvert
- 2. Construire votre premier modèle RNNouvert
- 3. Comprendre les phénomènes de disparition et d’explosion du gradientabonnés
- 3. Identifier les causes des gradients explosifsabonnés
- 3. Analyser le problème des gradients qui s’annulentabonnés
- 3. Découvrir les cellules GRU et LSTMabonnés
- 3. Comparer les cellules GRU aux RNN simplesabonnés
- 3. Combiner plusieurs couches RNNabonnés
- 3. Introduire la couche d’embeddingabonnés
- 3. Comparer les modèles selon leur nombre de paramètresabonnés
- 3. Exploiter le transfer learningabonnés
- 3. Améliorer les performances grâce aux embeddingsabonnés
- 3. Revenir sur la classification des sentimentsabonnés
- 3. Optimiser la classification des sentimentsabonnés
- 3. Intégrer une couche CNN aux modèles RNNabonnés
- 4. Préparer les données pour la classification multi-classeabonnés
- 4. Encoder les étiquettes sous forme de vecteursabonnés
- 4. Mettre en place le prétraitement des donnéesabonnés
- 4. Découvrir l’apprentissage par transfert appliqué aux modèles de langageabonnés
- 4. Préparer un modèle pour le transfert d’apprentissageabonnés
- 4. Exploiter Word2Vec pour représenter les motsabonnés
- 4. Construire des modèles de classification multi-classeabonnés
- 4. Explorer le jeu de données 20 Newsgroupsabonnés
- 4. Classer des articles de presse par catégorieabonnés
- 4. Mesurer les performances du modèleabonnés
- 4. Analyser l’équilibre entre précision et rappelabonnés
- 4. Choisir entre précision et rappelabonnés
- 4. Évaluer un modèle de classification multi-classeabonnés
- 5. Découvrir les modèles séquence à séquenceabonnés
- 5. Explorer la génération de texte avec des modèles séquence à séquenceabonnés
- 5. Découvrir la traduction automatique neuronaleabonnés
- 5. Mettre en place une fonction de génération de texteabonnés
- 5. Prédire le caractère suivant dans une séquenceabonnés
- 5. Générer du texte en tenant compte du contexteabonnés
- 5. Ajuster les probabilités pour contrôler la générationabonnés
- 5. Explorer différentes approches de génération de texteabonnés
- 5. Créer des représentations de phrases et prédire les caractères suivantsabonnés
- 5. Préparer les données nécessaires à l’entraînementabonnés
- 5. Construire un modèle de génération de texteabonnés
- 5. Appliquer la traduction automatique neuronaleabonnés
- 5. Préparer les séquences de texte en entréeabonnés
- 5. Préparer les séquences de texte en sortieabonnés
- 5. Traduire automatiquement du portugais vers l’anglaisabonnés
- 5. Terminer la mise en pratique des modèles séquence à séquenceabonnés
Ce qui est inclus
Tout ce qui accompagne les leçons
56 leçonsIllustrées d’exemples et de schémas.
Quiz à chaque leçonCorrigés aussitôt ; seul votre meilleur score compte.
Vos notesPrises dans les leçons, retrouvées par section.
Questions du coursPosez-les dans la leçon : l’équipe et les apprenants répondent.
Suivi de progressionPar section, avec vos résultats aux quiz.
Attestation vérifiableNominative, avec un code unique.
Rythme
Combien de temps, selon votre disponibilité
Je peux y consacrer, par semaine :
Attestation
Ce que vous obtenez à la fin
ATTESTATION DE RÉUSSITEModéliser le langage avec les réseaux de neurones récurrents (RNN) dans Kerasdélivrée à votre nom
Code uniqueVérifiable en ligne
Quand le cours est terminé, l’attestation est délivrée à votre nom. Son code permet à un recruteur de la vérifier en quelques secondes.
Ce n’est pas un diplôme ni une certification professionnelle ; c’est la preuve vérifiable que vous avez suivi et réussi ce cours.
Auteur
Qui écrit ce cours
ÉQ
Équipe DATAGOZ
Formateur · DATAGOZ
Une pédagogie claire et appliquée, avec des exemples concrets pour apprendre efficacement.
Questions
Avant de commencer
Aucun prérequis : le cours part des bases.
Tant que votre abonnement est actif. Si vous l’arrêtez, votre progression et vos attestations restent conservées.
Une attestation de suivi DATAGOZ, nominative et vérifiable en ligne par son code. Ce n’est pas un diplôme.
Accessibilité. Vous êtes en situation de handicap ? Écrivez à contact@datagoz.com : nous étudions avec vous les adaptations possibles.
Commencez ce cours aujourd'hui
13 leçons ouvertes, sans carte bancaire. Vous verrez le niveau et le ton avant de décider.