Il y a de nombreuses façons de se former au Deep Learning (DL) en dehors de l’enseignement supĂ©rieur. 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 ocĂ©an de donnĂ©es.

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

Je vous expose ici la dĂ©marche que j’ai retenue pour faire le tri et je vous prĂ©sente les formations que j’ai prĂ©fĂ©rĂ©es.

Généralités

Si vous n’entendez rien aux mathĂ©matiques, aux statistiques et Ă  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 compliquĂ© que le prĂ©cèdent. Il suppose quelques connaissances de base en algèbre et pour certains chapitres des connaissances en Python (un langage de programmation). Il reste toutefois accessible Ă  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 intĂ©ressante :

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

MOOC

Tout le monde y va de son MOOC en DL. Il faut dire que derrière il y a des enjeux non nĂ©gligeables concernant les outils qui seront reconnus par la communautĂ©. 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 (citĂ© 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 Ă  ceux qui ont dĂ©jĂ  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’AurĂ©lien 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 Ă©crit, 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 compliquĂ©es. 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 rĂ©fĂ©rence. Par contre, lorsqu’on comprend bien les concepts du DL, alors il peut ĂŞtre un bon livre de rĂ©fĂ©rence.

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 orientĂ© mathĂ©matiques. Ce n’est pas un livre pour dĂ©butants.

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

Si vous prĂ©fĂ©rez 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 orientĂ© 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 rĂ©fĂ©rence 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.