Deep Learning 2 [Odd Semester 2025/2026 Telyu] - Multilayer Perceptrons & Neural Network

Valeur des informations & solidité de l’argumentation

La valeur des informations est bonne pour un cours introductif : les concepts clés sont expliqués avec des analogies et des visualisations. L’argumentation est solide, s’appuyant sur des démonstrations pratiques et des exemples concrets. L’enseignant insiste sur la nécessité de comprendre les mécanismes plutôt que de se fier à des solutions toutes faites, ce qui est pédagogiquement pertinent. Cependant, certaines explications restent superficielles (par exemple, la dérivation mathématique de la rétropropagation n’est pas abordée).

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte : le cours s’appuie sur des ressources pédagogiques (livre ‘Deep Learning via Rust’, code sur GitHub) et des outils reconnus (TensorFlow, Orange Data Mining). Les sources sont mentionnées mais pas toujours citées de manière formelle. Le titre est en adéquation avec le contenu. Aucun commentaire n’a été fourni pour analyser les tendances du public.

Le titre correspond au contenu : il s'agit bien d'un cours sur les perceptrons multicouches et les réseaux de neurones.

7/10

Cours universitaire structuré, avec démonstrations pratiques et références à des ressources pédagogiques. La rigueur est bonne, mais le contenu reste introductif et certaines explications sont simplifiées.

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

• 00:00Introduction au cours et présentation du plan.
• 02:00Définition du problème d'apprentissage automatique et exemple de classification d'images.
• 05:00Explication du modèle du perceptron et de son interprétation géométrique.
• 10:00Démonstration de l'impact du nombre de neurones et des fonctions d'activation sur la séparation des données.
• 15:00Discussion sur l'overfitting et l'importance de la validation.
• 20:00Introduction à la pratique : implémentation d'un MLP en Python avec TensorFlow.
• 30:00Analyse exploratoire des données (EDA) pour la régression.
• 40:00Construction et entraînement du modèle de régression.
• 50:00Passage à la classification : préparation des données et visualisation.
• 1:00:00Entraînement du modèle de classification et évaluation.

• Deep Learning via Rust (DLVR) — Ressource pédagogique recommandée pour approfondir le deep learning avec Rust.
• Material Code — Code source des exemples utilisés dans le cours.
• RantAI Academy — Site de la communauté RantAI proposant des formations.
• Telegram RantAI — Canal Telegram pour échanger avec la communauté.
• LinkedIn RantAI — Page LinkedIn de la communauté RantAI.

• Deep Learning (livre de Goodfellow et al.) — Référence académique majeure sur le deep learning, couvrant les MLP.
• TensorFlow Playground — Outil interactif similaire à celui utilisé dans le cours.