Quelles sont les technologies et les outils abordés ?

Vous travaillerez avec Python, PyTorch et les bibliothèques associées dédiées au calcul numérique et à la visualisation.

Dois-je avoir une expérience préalable en apprentissage profond ?

Aucune expérience préalable en apprentissage profond n'est requise. Une connaissance de base de Python et des concepts d'initiation à l'apprentissage automatique suffit.

Vais-je réaliser de vrais projets dans le cadre de ce cours ?

Oui. Vous réaliserez des démonstrations pratiques ainsi qu'un projet final axé sur la mise au point d'un système complet de classification d'images.

En quoi ce cours est-il utile pour la vision par ordinateur ?

Ce cours présente les réseaux neuronaux convolutifs, l'extraction de caractéristiques, la détection d'objets, les concepts de segmentation et l'apprentissage par similarité pour les applications basées sur la vision.

Comment évalue-t-on les performances des modèles dans ce cours ?

Vous apprendrez à analyser les courbes de pertes, le comportement de convergence et les indicateurs d'évaluation afin d'évaluer et d'améliorer les performances du modèle.

À quels métiers ou parcours professionnels cette formation me prépare-t-elle ?

Cette formation s'adresse notamment aux ingénieurs en apprentissage automatique, aux ingénieurs en intelligence artificielle, aux ingénieurs en vision par ordinateur et aux data scientists.

Que puis-je faire une fois cette formation terminée ?

Une fois ce cours terminé, vous pourrez vous orienter vers des cours d'apprentissage profond spécialisés ou de vision par ordinateur, ou bien commencer à développer des systèmes d'IA basés sur la vision pour des applications concrètes.

Qu'est-ce que je recevrai si je souscris à cette Specializations ?

Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la spécialisation et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page Réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn.

Une aide financière est-elle disponible ?

Oui, pour certains programmes de formation, vous pouvez demander une aide financière ou une bourse si vous n'avez pas les moyens de payer les frais d'inscription. Si une aide financière ou une bourse est disponible pour votre programme de formation, vous trouverez un lien pour postuler sur la page de description.

Réseaux neuronaux et fondements de la vision par ordinateur

Profitez de l'une de nos meilleures offres et renforcez vos compétences avec 50 % de réduction sur Coursera Plus. Économisez maintenant.

Réseaux neuronaux et fondements de la vision par ordinateur

Ce cours fait partie de Spécialisation " Architectures avancées d'apprentissage profond"

Instructeur : Edureka

Inclus avec

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Débutant

Expérience recommandée

1 semaine à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Débutant

Expérience recommandée

1 semaine à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

Ce que vous apprendrez

Fonctionnement des réseaux neuronaux, y compris la propagation vers l'avant, le calcul des pertes et la rétropropagation
Comment former, optimiser et régulariser les réseaux neuronaux pour une convergence stable ?
Comment les réseaux neuronaux convolutifs traitent les images et apprennent les caractéristiques visuelles
Comment construire et évaluer des systèmes de classification d'images et de vision de bout en bout ?

Compétences que vous acquerrez

Catégorie : Réseaux neuronaux convolutifs
Catégorie : Intelligence artificielle
Catégorie : Apprentissage par transfert
Catégorie : Réseaux neuronaux artificiels
Catégorie : Science des données
Catégorie : Optimisation du modèle
Catégorie : Méthodes d'apprentissage automatique
Catégorie : Intelligence artificielle et apprentissage automatique (IA/ML)
Catégorie : Réseaux neuronaux récurrents (RNN)
Catégorie : Analyse d'images
Catégorie : Apprentissage profond
Catégorie : Vision par ordinateur
Catégorie : Apprentissage automatique
Catégorie : Matplotlib
Catégorie : Visualisation des données
Catégorie : Modèle de formation
Catégorie : Évaluation du modèle

Outils que vous découvrirez

Catégorie : PyTorch (Bibliothèque d'apprentissage automatique)
Catégorie : Programmation Python
Catégorie : NumPy

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Récemment mis à jour !

mars 2026

Évaluations

13 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation " Architectures avancées d'apprentissage profond"

Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.

Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable

Il y a 4 modules dans ce cours

Ce cours vous guide à travers les principes fondamentaux des réseaux neuronaux et des systèmes de vision par ordinateur, en mettant l'accent sur la façon dont la propagation vers l'avant, la rétropropagation, l'optimisation et les architectures convolutives permettent des applications modernes d'IA. Grâce à des démonstrations et des exercices pratiques, vous apprendrez à construire des réseaux neuronaux à partir de zéro, à les entraîner efficacement et à appliquer ces modèles à des tâches de vision du monde réel telles que la classification d'images, la détection et l'apprentissage par similarité.

À la fin de ce cours, vous serez en mesure : - d'expliquer comment les réseaux neuronaux apprennent en utilisant les passes avant, les fonctions de perte et la rétropropagation - de mettre en œuvre des pipelines de formation de réseaux neuronaux et d'analyser la convergence des modèles - d'appliquer des techniques d'optimisation, de régularisation et de normalisation pour améliorer les performances - de comprendre les réseaux neuronaux convolutifs et la façon dont ils extraient les caractéristiques visuelles - de construire et d'évaluer des systèmes de classification d'images et de vision par ordinateur de bout en bout Ce cours est idéal pour les praticiens de l'IA en herbe, les scientifiques des données, les ingénieurs logiciels et les ingénieurs ML qui cherchent à développer une base solide dans les réseaux neuronaux et l'apprentissage basé sur la vision. Une connaissance pratique de Python et des concepts de base de l'apprentissage automatique est recommandée. Rejoignez-nous pour construire une base solide dans les réseaux neuronaux et la vision par ordinateur, les technologies de base qui alimentent les systèmes d'IA intelligents d'aujourd'hui.

Ce module présente les réseaux neuronaux à partir des premiers principes, en expliquant comment les modèles calculent les prédictions, mesurent l'erreur et apprennent par rétropropagation. Les apprenants mettent en œuvre des passes avant, des boucles d'apprentissage et des flux de gradient afin d'acquérir des bases solides sur la manière dont les réseaux neuronaux apprennent.

Inclus

15 vidéos6 lectures4 devoirs

15 vidéosTotal 73 minutes

Introduction à la spécialisation4 minutes
Introduction au cours3 minutes
Introduction à l'apprentissage profond3 minutes
Comment les réseaux neurones apprennent-ils ?3 minutes
Perceptrons et réseaux multicouches4 minutes
Démonstration : Mise en œuvre de la passe avant à partir de zéro7 minutes
Démonstration : Flux de calcul et de prédiction des pertes5 minutes
Intuit et mathématiques de la rétropropagation4 minutes
Règle de la chaîne et calcul du gradient4 minutes
Démonstration : Mise en œuvre manuelle de la rétropropagation7 minutes
Démonstration : Visualisation du flux de gradient7 minutes
Pipelines de formation de réseaux neuronaux3 minutes
Démonstration : Mise en œuvre de la boucle de formation7 minutes
Démonstration : Courbes de perte et analyse de convergence : Training Pipeline6 minutes
Démonstration : Courbes de perte et analyse de convergence : Visualisation5 minutes

6 lecturesTotal 110 minutes

Bienvenue sur le site des fondations des réseaux neuronaux et des systèmes de vision10 minutes
Les fondements des réseaux neuronaux expliqués20 minutes
La rétropropagation pas à pas20 minutes
PyTorch expliqué : Bibliothèques, flux de travail et fonctionnalités avancées30 minutes
Former correctement les réseaux neuronaux20 minutes
Résumé du module : Fondations de base des réseaux neuronaux10 minutes

4 devoirsTotal 48 minutes

Contrôle des connaissances pratiques : Réseau de neurones - Principes de base6 minutes
Contrôle des connaissances pratiques : Rétropropagation et flux de gradient6 minutes
Contrôle des connaissances pratiques : Boucles d'entraînement et convergence des modèles6 minutes
Contrôle de connaissances : Fondations de base des réseaux neuronaux30 minutes

Ce module se concentre sur la formation des réseaux neuronaux de manière efficace et fiable en utilisant la descente de gradient, les optimiseurs adaptatifs et les stratégies de taux d'apprentissage. Les apprenants appliquent des techniques de régularisation et de normalisation pour stabiliser l'apprentissage et améliorer la généralisation.

Inclus

14 vidéos4 lectures4 devoirs

14 vidéosTotal 76 minutes

SGD et optimisation du momentum4 minutes
Stratégies de programmation des taux d'apprentissage5 minutes
Démonstration : Comparaison SGD vs. Momentum7 minutes
Démonstration : Analyse de sensibilité du taux d'apprentissage7 minutes
Optimiseurs RMSProp et Adam4 minutes
Démonstration : Comparaison des performances de l'optimiseur7 minutes
Démonstration : Analyse de la vitesse de convergence : Préparation des données5 minutes
Démonstration : Analyse de la vitesse de convergence : Entraînement au modèle7 minutes
Démonstration : Analyse de la vitesse de convergence : Visualisation3 minutes
Techniques d'abandon et d'affaiblissement du poids3 minutes
Explication de BatchNorm et LayerNorm3 minutes
Démonstration : Analyse de l'effet de régularisation7 minutes
Démonstration : Normalisation Stabilité de l'entraînement : Modèle et configuration de l'entraînement7 minutes
Démonstration : Formation à la normalisation Stabilité : Visualisation5 minutes

4 lecturesTotal 70 minutes

Optimisation par descente de gradient20 minutes
Algorithmes d'optimisation adaptative20 minutes
Méthodes de régularisation et de normalisation20 minutes
Résumé du module : Stratégies de régularisation et de normalisation10 minutes

4 devoirsTotal 48 minutes

Contrôle des connaissances pratiques : Méthodes d'optimisation par descente de gradient6 minutes
Contrôle des connaissances pratiques : Explication des optimiseurs adaptatifs6 minutes
Contrôle des connaissances pratiques : Stratégies de régularisation et de normalisation6 minutes
Contrôle des connaissances : Stratégies de régularisation et de normalisation30 minutes

Ce module applique les principes fondamentaux de l'apprentissage profond aux données visuelles, en introduisant les réseaux neuronaux convolutifs et la représentation des images. Les apprenants construisent des systèmes de classification, de détection, de segmentation et d'apprentissage par similarité.

Inclus

12 vidéos4 lectures4 devoirs

12 vidéosTotal 59 minutes

La vision par ordinateur en tant qu'apprentissage multidimensionnel3 minutes
Architecture des réseaux neuronaux convolutifs4 minutes
Démonstration : Images en tant que tenseurs multidimensionnels6 minutes
Démonstration : Visualisation de la carte des caractéristiques7 minutes
Architectures de détection et de segmentation d'objets4 minutes
Démonstration : Boîtes de délimitation et masques de segmentation7 minutes
Démonstration : Détection et segmentation Résultats : Modèle Steup4 minutes
Démonstration : Détection et segmentation Sorties : Analyse des résultats5 minutes
Apprentissage de la similarité avec des emboîtements visuels4 minutes
Démonstration : Comparaison des mesures de distance : Configuration de l'intégration6 minutes
Démonstration : Comparaison des mesures de distance : Classement par similarité4 minutes
Démonstration : Similitude d'image à l'aide de la distance d'intégration7 minutes

4 lecturesTotal 65 minutes

Principes de base de la vision par ordinateur20 minutes
Détection et segmentation d'objets20 minutes
Apprentissage de la similarité pour les images15 minutes
Résumé du module : Fondements de la vision par ordinateur et des CNN10 minutes

4 devoirsTotal 48 minutes

Contrôle des connaissances pratiques : Vision par ordinateur et principes de base des CNN6 minutes
Contrôle des connaissances pratiques : Détection d'objets et segmentation d'images6 minutes
Contrôle des connaissances pratiques : Apprentissage par similarité pour la vision6 minutes
Contrôle des connaissances : Fondements de la vision par ordinateur et des CNN30 minutes

Ce module consolide l'apprentissage par le biais d'un projet de vision pratique et d'une évaluation finale. Les apprenants démontrent leur capacité à concevoir, entraîner et évaluer des systèmes complets d'apprentissage profond.

Inclus

1 vidéo1 lecture1 devoir

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

Edureka

211 Cours190 700 apprenants

Offert par

Edureka

En savoir plus sur Apprentissage automatique

Statut : Essai gratuit
Packt
Foundations of Deep Learning and Neural Networks
Cours
Statut : Essai gratuit
MathWorks
Introduction to Deep Learning for Computer Vision
Cours
Statut : Prévisualisation
Whizlabs
Fundamentals of Deep Learning
Cours
Statut : Essai gratuit
Packt
Foundations of Model Optimization and Deep Learning
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Foire Aux Questions

Ce cours vous permettra d'acquérir des bases solides en réseaux neuronaux et en vision par ordinateur, et vous aidera à comprendre comment les systèmes d'IA modernes sont conçus, entraînés et évalués, en partant de zéro.

Vous apprendrez comment fonctionnent les réseaux neuronaux, comment ils sont entraînés à l'aide de la rétropropagation, comment optimiser les modèles et comment appliquer ces concepts à des tâches de vision par ordinateur telles que la classification d'images.

Ce cours allie des explications conceptuelles claires à des démonstrations concrètes et à des exercices pratiques, notamment la création de réseaux neuronaux et de systèmes de vision de bout en bout.

Pour accéder aux supports de cours, aux devoirs et pour obtenir un certificat, vous devez acheter l'expérience de certificat lorsque vous vous inscrivez à un cours. Vous pouvez essayer un essai gratuit ou demander une aide financière. Le cours peut proposer l'option "Cours complet, pas de certificat". Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.