Scribd
Importer
3 vues6 pages

Deep Learning

Le document présente différents types de réseaux de neurones utilisés en deep learning, notamment les ANN, CNN, RNN, LSTM, KNN, NLP et RAG, en décrivant leur structure, les types de données qu'ils traitent et les bibliothèques associées. Chaque modèle est justifié par ses capacités spécifiques, comme la classification d'images pour les CNN ou le traitement de séquences pour les RNN et LSTM. Un tableau récapitulatif associe les problèmes aux modèles appropriés, facilitant la compréhension de leur utilisation.

Transféré par

medaminefah
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
3 vues6 pages

Deep Learning

Le document présente différents types de réseaux de neurones utilisés en deep learning, notamment les ANN, CNN, RNN, LSTM, KNN, NLP et RAG, en décrivant leur structure, les types de données qu'ils traitent et les bibliothèques associées. Chaque modèle est justifié par ses capacités spécifiques, comme la classification d'images pour les CNN ou le traitement de séquences pour les RNN et LSTM. Un tableau récapitulatif associe les problèmes aux modèles appropriés, facilitant la compréhension de leur utilisation.

Transféré par

medaminefah
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

LAS9 DEEP LEARNING

1) ANN — Artificial Neural Network


Type de dataset :
Données tabulaires (tableaux, features numériques)

Exemple : prix maison, notes étudiants, données Excel

Bibliothèques :
TensorFlow / Keras

PyTorch

scikit-learn (MLP)

Justification :
ANN est utilisé pour la classification et la régression sur des données simples non
structurées (non images, non texte).

Structure :
Couche d’entrée (Input)

Une ou plusieurs couches cachées (Hidden)

Couche de sortie (Output) (sigmoid / softmax)

Exemple :
Prédire si un étudiant va réussir à partir de ses notes.

2) CNN — Convolutional Neural Network


Type de dataset :
Images / vidéos

LAS9 DEEP LEARNING 1


Exemple : feuilles, visages, chiffres manuscrits

Bibliothèques :
TensorFlow / Keras

PyTorch

OpenCV (prétraitement)

Justification :
Les CNN sont spécialisés pour la reconnaissance d’images grâce aux couches convolutives
qui détectent les motifs visuels.

Structure :
Convolution

Pooling

(Répétition)

Fully Connected

Softmax

Exemple :
Classifier une image : feuille saine ou malade.

3) RNN — Recurrent Neural Network


Type de dataset :
Données séquentielles

Texte, audio, séries temporelles

Bibliothèques :
TensorFlow / Keras

PyTorch

LAS9 DEEP LEARNING 2


Justification :
RNN traite des séquences en tenant compte de l’ordre des données.

Structure :
Entrée séquentielle

Cellules récurrentes

Sortie séquentielle ou finale

Exemple :
Prédire le mot suivant dans une phrase.

4) LSTM — Long Short-Term Memory


Type de dataset :
Séquences longues

Texte long, discours, traduction

Bibliothèques :
TensorFlow / Keras

PyTorch

Justification :
LSTM est une version améliorée de RNN capable de mémoriser sur le long terme.

Structure :
Cellules LSTM

Portes : forget, input, output

Sortie

LAS9 DEEP LEARNING 3


Exemple :
Traduire une phrase de l’anglais au français.

5) KNN — K-Nearest Neighbors


Type de dataset :
Données numériques tabulaires

Bibliothèques :
scikit-learn

numpy

pandas

Justification :
KNN classe un point selon les k voisins les plus proches (distance).

Structure :
⚠️ Pas de réseau, pas de couches.
Stockage des données

Calcul des distances

Vote majoritaire

Exemple :
Classer un patient : malade / sain selon ses mesures.

6) NLP — Natural Language Processing


Type de dataset :

LAS9 DEEP LEARNING 4


Texte

Documents, phrases, commentaires

Bibliothèques :
NLTK

spaCy

HuggingFace Transformers

Justification :
NLP est le domaine qui permet aux machines de comprendre et traiter le langage humain.

Structure :
⚠️ Pas un modèle unique.
Pipeline typique :

Tokenization

Vectorisation (TF-IDF, embeddings)

Modèle (RNN, LSTM, Transformer, etc.)

Exemple :
Analyse de sentiment d’un commentaire.

7) RAG — Retrieval-Augmented Generation


Type de dataset :
Documents texte (PDF, Word, pages web, cours)

Bibliothèques :
LangChain

LlamaIndex

LAS9 DEEP LEARNING 5


FAISS / ChromaDB

HuggingFace

Justification :
RAG combine recherche de documents + génération de réponse pour répondre avec des
sources fiables.

Structure :
Indexation des documents

Recherche (retrieval)

Envoi du contexte au LLM

Génération de réponse

Exemple :
Chatbot qui répond à partir de tes cours PDF.

TABLEAU FINAL ULTRA IMPORTANT


Problème Modèle

Données tableau ANN / KNN

Images CNN

Texte / séquences RNN / LSTM

Long texte LSTM

Compréhension du texte NLP

Chat avec documents RAG

LAS9 DEEP LEARNING 6

Vous aimerez peut-être aussi