Add Deep learning course

content/ia/3_deep_learning/index.md

@@ -0,0 +1,108 @@
+---
+title: "IA : Deep Learing"
+date: 2023-10-24
+tags: ["IA", "jeux"]
+categories: ["Intelligence artificielle", "Cours"]
+mathjax: true
+---
+
+L'apprentissage profond -- ou *deep learing* -- est une branche de
+l'intelligence artificielle. Il utilise les réseaux de neurones pour résoudre
+des tâches complexes. Ces techniques ont permi des progès significatif et rapide
+dans des domaines tels que la reconnaissances d'écritures, la vision par
+ordinateur, les traitements automatisés du lancages etc.
+
+Il existe deux catégories d'apprentissage profond : 
+
+ * **supervisé**: l'algorithme d'apprentissage est entraîné avec des jeux de
+   données etiquettés afin de produire les résultats attendus;
+ * **non supervisé**: les données ne sont pas étiquetées, c'est à l'algorithme
+   de découvrir les structures sous-jascentes.
+
+Ces deux méthodes sont totalement différentes, nou étudirons seulement
+l'entraînement supervisé dans le cadre de ce cours.
+
+## Un neurone
+
+D'abord il y a le neurone biologique en voici un schéma, crédits 
+[Nicolas Rougier][wiki_neurone] CC-BY.
+
+![Schéma de neurone biologique ](./images/Neuron-figure-fr.svg)
+
+
+En 1943, les travaux de [Mc Culloch][mcculloch] et [Pitts][pitts] mène à la
+publication de l'article *« A logical calculus of the Ideas Immanent in Nervous 
+activity »* dans *Bulletin of Mathematical Biophysics, University of Chicago 
+Press*. Ces travaux mènerons à la définission du **neurone formel*.
+
+### Neurone formel
+
+C'est une représentation mathématique et informatique d'un neuronne.
+
+![Schéma de fonctionnement de neurone formel](./images/neurone_formel.svg)
+
+Il se compose d'une ou plusieurs **entrées** associés à des **coefficients**
+(poids). Notre neurone formel calcule la *somme pondérée* des entrées à laquelle
+il ajoute un **biais** puis envoie la sortie dans une **fonction d'activation**.
+
+### Premiers pas en Python
+
+Pour implémenter notre premier neurone formel, nous utiliserons *Python* et la
+bibliothèque *Numpy*.
+
+```python
+import numpy as np
+
+"""
+La définition mathématique du neurone
+
+x: entrée
+w: poids
+b: biais
+f: fonction d'activation
+"""
+def neron(x, w , b, f):
+    x = np.dot(x, w) + b
+    return f(2)
+
+# et maintenant nous allons utiliser notre neurone
+# --
+
+# Définissons les entrées
+x = np.array([1,2,3,4])
+# Nous mettons les poids à 1
+w = np.array([1,1,1,1])
+# Et notre biais à 1
+b = np.array([1])
+
+## Et on l'utilise
+neuron(x, w, b, lambda z: np.exp(z))
+```
+
+### Fonctions d'activation
+
+C'est une fonction mathématique appliquée à un signal en sortie de notre
+neurone. Son nom viens de son équivalent biologique **potentiel d'activation**
+qui représente le seuil qui entraîne une réponse du neurone une fois atteint.
+
+N'importe quel fonction mathématique peut faire l'affaire, on utilisera
+cependant les fonctions suivants **leurs caractéristiques** :
+
+ * Linéaire;
+ * Seuil;
+ * ReLU (*Rectified Linear Unit*): \\(f(x) = max(0, z)\\)
+ * Radiale : \\( f(x) = \sqrt{1/2\pi{e}^{(-z^{2}/2)}}\\)
+
+## les réseaux de neurones
+
+D'un neurone vers l'infini...
+
+![Exemple d'un réseau de neurones](./images/reseau_neurones.svg)
+
+Dans un réseau de neurones, chacune a son propre poid et biais, les paramètres
+du réseau sont composés de l'ensemble des poids et biais. Tous les neurones
+d'une même couche ont **les mêmes fonctions**.
+
+[wiki_neurone]:https://commons.wikimedia.org/w/index.php?title=User:Nicolas.Rougier
+[mcculloch]:https://fr.wikipedia.org/wiki/Warren_McCulloch
+[pitts]:https://fr.wikipedia.org/wiki/Walter_Pitts