Contenu du cours
De mars 2022 à juin 2022, j’ai traduit l’édition 2021 du cours d’Introduction à l’apprentissage profond de Yann Le Cun et Alfredo Canziani dispensé à l’Université de New York. Pour cette édition, seules les nouveautés par rapport à l’édition 2020 ont été traduites.
Il s’agit des vidéos 🎥 des intervenants invités, à savoir :
- Ishan Misra présentant l’apprentissage autosupervisé en vision (PIRL, SwAV, SEER, Barlow Twins) : https://www.youtube.com/watch?v=8L10w1KoOU8
- Awni Hannun abordant la reconnaissance vocale et les GTNs (CTC, Beam Search, GTN) : https://www.youtube.com/watch?v=Of9s8epjflU
- Marc’Aurelio Ranzato exposant la traduction automatique avec peu de données (MAD, FLoRes, adaptation au domaine) : https://www.youtube.com/watch?v=fR42OOy9ROo
L’année précédente, les invités étaient :
- Aaron DeFazio parlant d’optimisation : https://www.youtube.com/watch?v=–NZb480zlg
- Ishan Misra présentant l’apprentissage autosupervisé en vision (l’édition 2021 étant la continuité de l’édition 2020) : https://www.youtube.com/watch?v=0KeR6i1_56g
- Mike Lewis évoquant les transformers : https://www.youtube.com/watch?v=6D4EWKJgNn0
- Xavier Bresson traitant les réseaux de neurones convolutifs pour graphes (GCNs) : https://www.youtube.com/watch?v=Iiv9R6BjxHM
⚠Les vidéos sont paramétrées de sorte que les sous-titres en français apparaissent automatiquement pour les personnes situées dans les pays francophones. S’ils n’apparaissent pas, pensez à les activer manuellement dans ⚙ Paramètres → Sous-titres → Français.
Pour le reste du contenu, je vous invite à consulter le site web 🌐 du cours qui a été conçu de façon à répertorier les nouveautés et sinon à renvoyer vers le contenu de l’édition 2020 : https://atcold.github.io/NYU-DLSP21/fr/
Les notebooks Jupyter 📓 restent inchangés et sont toujours disponibles ici : https://github.com/lbourdois/pytorch-Deep-Learning-Notebooks-in-French
Toutes les informations utiles à connaître (choix effectués pour la traduction, temps à consacrer au cours, licence du cours, etc.) sont disponibles dans la FAQ du site, consultable ici https://atcold.github.io/NYU-DLSP21/fr/faq/
En espérant que cela vous plaise et vous soit utile.
Bon visionnage et bonne lecture ! :)
