Dossier: le Deep Learning en computer vision de A à Z

Un cours complet de Deep Learning couvrant les prérequis mathématiques et les techniques avancées de réseaux de neuronnes dans la computer vision.

Exploration complète du Deep Learning: des prérequis mathématiques aux techniques avancées

Bienvenue sur le dossier consacré au Deep Learning en Computer Vision ! La Computer Vision est une branche de l'intelligence artificielle qui permet aux machines de "voir" et d'analyser des images et des vidéos. Le Deep Learning, quant à lui, est une technique d'apprentissage automatique qui utilise des réseaux de neurones pour apprendre à partir de données.

Dans ce dossier, nous allons explorer les bases du Deep Learning appliqué à la Computer Vision. Nous commencerons par les prérequis mathématiques et les bases du Machine Learning, avant de nous plonger dans les techniques spécifiques à la Computer Vision, telles que le prétraitement d'images, les réseaux de neurones convolutionnels (CNN) et l'architecture YOLO pour la détection d'objets.

En espérant que ce dossier vous permettra de mieux comprendre les techniques du Deep Learning appliquées à la Computer Vision. Bonne lecture !

Prérequis mathématiques :

Bases du Machine Learning :

  • Supervisé vs semi-supervisé vs non-supervisé (WIP)
  • Regressions, clustering, classifications... (WIP)
  • Data splitting, Train-Test-Val (WIP)
  • Mesures de performances (WIP)
  • Overfitting et underfitting (WIP)
  • Normalisations (WIP)

Bases du Deep Learning :

Bases de la computer vision :

  • Prétraitement des images (WIP)
  • Augmentation de données (WIP)
  • Quelques couches :
    • Couche de convolution (WIP)
    • Drop out (WIP)
    • Couches de régularisation (WIP)

Réseaux de neuronnes dans la computer vision :

  • CNN (WIP)
  • YOLO (WIP)


Bien que la lecture des articles de ce dossier puisse vous apporter des connaissances utiles, il est important de souligner que la pratique est essentielle pour progresser en informatique. Par conséquent, je vous encourage à trouver des données et à les utiliser pour mettre en pratique les concepts que vous avez appris dans ce dossier. N'hésitez pas à vous lancer et à coder par vous-même, car c'est en faisant que l'on apprend le mieux. Alors, à vos claviers !