Attention – Be Carefull
Les exemples qui vont suivre ne sont qu’une base de travail. Il ne suffit pas de créer un modèle et se contenter de quelques résultats d’évaluations. C’est tout le paradoxe des réseaux de neurones qui ne peuvent donner un résultat (toujours avec une probabilité) que si celui-ci est parfaitement entrainé et testé. Dans le cas contraire Il peut donner des faux positifs ou négatifs (ex : un résultat vrai à 98% qui est complétement faux).
La validité d’un réseaux dépendra de la qualité du Data Set, du type de modèle, de son Accuracy qui doit tendre vers 100%, de son Loss ainsi que son Overfitting qui doivent tendre vers zéro.
Il existe différentes méthodes et théories pour la mise au point des réseaux de neurones en fonction du problème abordé. Il est impossible ici de les détailler. Le Deep Learning est en constante évolution et je ne peux que vous invitez à scruter le Net pour vous informer.
En conclusion, le Deep Learning n’est pas la panacée universelle et il faut l’aborder avec prudence.
Index.
- 1) Base de la création de réseaux neuronique supervisés pour la classification d’images (MNIST Fashion).
- 2) Base de la création de réseaux neuronique supervisés pour la classification d’images (Dogs vs. Cats) DataSet Kaggle.
- 3) Base de la création d’un réseau neuronique R-CNN pour la détection d’objets.
- 4) Base Autoencoder (AE) & Variational Autoencoder (VAE) – Non Supervisé.