Il y a de nombreuses façons de se former au Deep Learning (DL) en dehors de l’enseignement supérieur. Les MOOC (Massive Open Online Course), les livres, les blogs sur le sujet  sont nombreux et souvent gratuits. Il y en a presque trop car on se noie facilement dans cet océan de données.

Comme on ne peut pas tout lire, ni tout regarder, il faut choisir, sélectionner.

Je vous expose ici la démarche que j’ai retenue pour faire le tri et je vous présente les formations que j’ai préférées.

Généralités

Si vous n’entendez rien aux mathématiques, aux statistiques et à l’informatique, vous ne pouvez que survoler le sujet. Il y a pour vous le MOOC de  Jean-Gabriel Ganascia sur l’Intelligence Artificielle (IA) (en 6 leçons). C’est très bien fait, très abordable. Ce MOOC vous permettra d’apprendre ce qu’on entend pas IA et DL.

Toujours en français, il y a le Cours d’initiation au Machine Learning de Google. Ce cours est un peu plus compliqué que le précèdent. Il suppose quelques connaissances de base en algèbre et pour certains chapitres des connaissances en Python (un langage de programmation). Il reste toutefois accessible à tous.

Toolkit

Lorsque vous aurez un petit peu compris ce qu’est le DL, vous pourrez alors jouer avec des outils qui vous permettront de voir le DL en action.  Ci-dessous une liste intéressante :

Consacrez le plus de temps à MLAddict et à TensorFlow playground.

MOOC

Tout le monde y va de son MOOC en DL. Il faut dire que derrière il y a des enjeux non négligeables concernant les outils qui seront reconnus par la communauté. Les grands acteurs qui bataillent sur le sujet sont Google (avec TensorFlow), Microsoft (avec CNTK), Facebook (avec Caffe2), Amazon (qui soutient MXNet), mais aussi Keras, Gluon, …

Pour l’instant, ceux qui mènent la course sont TensorFlow et CNTK.

Choisir un MOOC, c’est souvent choisir une plate-forme (framework) car les exemples de code utilisent souvent l’une d’entre-elles.

En Intelligence Artificielle, if y a le MOOC de Novig & Russel un cours assez vaste sur l’IA, il y a le MOOC de Microsoft: DAT236xDeep Learning Explained (et ici) , celui de Ng (cité plus bas), le Deep Learning A-Z

Le plus intéressant, et le plus original, à notre avis, est celui de fast.ai

Il y a sur le Net un article intitulé How to Start Learning Deep Learning qui pourra compléter ce qui est écrit ici.

Il y est fait référence au MOOC CS231n, à celui de Andrew Ng’s Coursera class à celui de Yaser Abu-Mostafa’s machine learning course. Et aussi à Geoffrey Hinton’s Coursera class “Neural Networks for Machine Learning”, Hugo Larochelle’s “Neural Networks Class”Nando de Freitas.

Evidemment, il y a aussi le cours de Yann LeCun au Collège de France sur l’Apprentissage Profond (mais ne commencez pas par celui-la car il s’adresse à ceux qui ont déjà les rudiments++)

Enfin, sans être exhaustif, il y a le cours Applications of Deep Neural Networks.

Les livres

Si vous choisissez TensorFlow comme framework, alors les livres ne manquent pas.

Celui d’Aurélien Geron Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems est très très bon. Il est complet, profond, bien écrit, avec de nombreux exemples de code. C’est un livre incontournable sur le sujet. Il n’y a pas trop de maths et elles ne sont pas compliquées. Certes, le livre demande des efforts de lecture mais l’apprentissage est progressif.

Celui de Nick McClure TensorFlow Machine Learning Cookbook est plus un livre sur TensorFlow que sur le DL. Pour apprendre le DL, ce n’est pas la bonne référence. Par contre, lorsqu’on comprend bien les concepts du DL, alors il peut être un bon livre de référence.

Celui de Santanu Pattanayak Pro Deep Learning with TensorFlow est comme son sous-titre l’indique A Mathematical Approach to Advanced Artificial Intelligence in Python, très orienté mathématiques. Ce n’est pas un livre pour débutants.

Il y aussi celui de Giancarlo Zaccone & al. Deep Learning with TensorFlow qui couvre les mêmes champs que celui d’Aurélien Geron mais qui est moins progressif.

Si vous préférez Keras, alors le choix est moindre mais vous avez Deep Learning with Keras d’Antonio Gulli. Le livre n’est pas un livre d’introduction. De plus il est très orienté CNN et vous avez le livre de François Chollet : Deep Learning with Python.

Si vous n’utilisez que Python, vous pouvez lire Deep Learning de  Josh Patterson and Adam Gibson ou Fundamentals of Deep Learning de Nikhil Buduma ou encore Python Machine Learning de Sebastien Raschka.

La référence reste Deep Learning de Ian Goodfellow & al. mais il n’y a pas de code.

Bien que ça ne soit pas un livre, vous avez aussi tous les cours de scikit-learn.