Cours · Ouverture des cours et des parcours disponibles
Maîtriser les représentations texte, RNN/LSTM, transformers NLP, Vision Transformer, OCR, VQA, CLIP et la livraison responsable de prototypes Vision/NLP.
Données pédagogiques publiées
Aucun objectif pédagogique n’est publié pour ce cours. Les titres de leçons ne sont pas transformés automatiquement en promesses d’apprentissage.
Structure publiée
1 module(s) · 25 leçon(s)
25 leçon(s) · 2h 5min
Positionner Vision et NLP : tâches, données et limites
Appliquer vision_nlp_task_framing dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Auditer les datasets image/texte : labels, droits, biais et fuites
Appliquer multimodal_dataset_audit dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Préparer des images pour modèles avancés
Appliquer advanced_image_preprocessing dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Préparer des textes : nettoyage, tokenisation et vocabulaire
Appliquer text_preprocessing_tokenization dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Construire une baseline avant deep learning
Appliquer baseline_before_deep_learning dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Bag-of-words et TF-IDF : baseline NLP robuste
Appliquer tfidf_baseline_nlp dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Embeddings de mots : sens, proximité et limites
Appliquer word_embeddings_semantics_limits dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
RNN : traiter une séquence pas à pas
Appliquer rnn_sequence_modeling dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
LSTM et GRU : mémoire, portes et dépendances longues
Appliquer lstm_gru_long_dependencies dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Attention : pondérer les éléments importants d’une séquence
Appliquer attention_sequence_weighting dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Transformer : self-attention et parallélisation
Appliquer transformer_self_attention dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Tokenizers subword et encodage positionnel
Appliquer subword_tokenizers_positions dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
BERT et fine-tuning pour classification de texte
Appliquer bert_finetuning_text_classification dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Pipelines Hugging Face : inférence NLP contrôlée
Appliquer huggingface_nlp_pipelines dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Génération de texte : sampling, température et garde-fous
Appliquer text_generation_sampling_safety dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Vision Transformer : patches d’image et attention
Appliquer vision_transformer_patches dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
OCR et Document AI : lire, structurer et vérifier un document
Appliquer ocr_document_ai_validation dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Image captioning : produire une description contrôlée
Appliquer image_captioning_controlled_output dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Visual Question Answering : répondre avec image + question
Appliquer visual_question_answering_protocol dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
CLIP et recherche multimodale : aligner images et textes
Appliquer clip_multimodal_retrieval dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Métriques Vision/NLP : F1, calibration, BLEU/ROUGE et limites
Appliquer vision_nlp_metrics_limits dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Biais, sécurité et confidentialité dans images et textes
Appliquer bias_safety_privacy_vnlp dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Model cards, data cards et traçabilité expérimentale
Appliquer model_data_cards_traceability dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Servir un modèle Vision/NLP : latence, coût et monitoring
Appliquer serving_latency_monitoring_vnlp dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Projet certifiant : assistant multimodal responsable
Appliquer certifying_multimodal_assistant dans un contexte Deep Learning Vision/NLP avec preuve, contrôle et limite d’usage.
Les ressources du cours sont disponibles après validation de l’accès au contenu.