[ИАД, осень 2025] Методы глубокого обучения. Занятие 1: Introduction, MLP, Backpropagation

Valeur des informations & solidité de l’argumentation

La valeur des informations est bonne pour un cours d’introduction : les concepts fondamentaux sont expliqués clairement, avec des exemples concrets et une démonstration intuitive du théorème d’approximation universelle. L’argumentation est structurée : on part de la régression logistique, on montre ses limites sur des données non linéaires, puis on introduit le MLP comme solution. L’explication de la construction de fonctions complexes à partir de sigmoïdes est pédagogique et convaincante. Cependant, certaines affirmations historiques sont approximatives (dates, paternité de la rétropropagation), et l’absence de sources formelles dans la vidéo limite la vérifiabilité. Le cours gagnerait à citer des références précises pour étayer les propos.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est globalement satisfaisante pour un cours introductif : les concepts mathématiques sont correctement présentés, et le raisonnement est logique. Les sources ne sont pas citées explicitement dans la vidéo, mais la description contient des liens vers des ressources complémentaires (non détaillées ici). Le titre est en adéquation avec le contenu : il annonce une introduction, MLP et backpropagation, et le cours couvre bien ces sujets. On peut noter quelques imprécisions historiques (par exemple, la date de la rétropropagation, attribuée à 1986 alors que des travaux antérieurs existent), mais cela n’affecte pas la compréhension des concepts. L’adéquation titre/contenu est bonne, sans écart majeur.

Le titre correspond bien au contenu : introduction au deep learning, MLP et backpropagation, conformément au plan annoncé.

7/10

Cours universitaire structuré, présenté par un doctorant, avec des explications théoriques solides (théorème d'approximation universelle, fonctions d'activation). Quelques imprécisions historiques (dates, paternité de la rétropropagation) et absence de sources formelles dans la vidéo.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction : présentation du cours, de l'équipe, et des modalités.
• 05:00Définition de l'IA, du machine learning et du deep learning.
• 10:00Exemples de modèles : AlexNet, AlphaGo, StyleGAN, DALL-E, AlphaFold, GPT-4.
• 20:00Raisons de l'essor du deep learning : données, GPU, frameworks.
• 30:00Rappel de la régression logistique et limites des modèles linéaires.
• 40:00Théorème d'approximation universelle : approximation de fonctions par des sigmoïdes.
• 50:00Présentation des fonctions d'activation : sigmoïde, tanh, ReLU, Leaky ReLU, ELU.
• 1:00:00Structure du cours, équipe enseignante, modalités d'évaluation.

• Lien vers les slides du cours (probablement dans la description) — La description contient probablement des liens vers les supports de cours, mais ils ne sont pas explicitement listés ici.

• Deep Learning (Goodfellow et al.) — Ouvrage de référence couvrant les concepts de MLP, backpropagation et fonctions d'activation.

• Aucune source discordante identifiée — Le contenu est conforme aux connaissances établies en deep learning, malgré quelques imprécisions historiques mineures.