Deep Learning 5 [Even Semester 2025/2026 Telyu] - Modern Convolutional Neural Network

Valeur des informations & solidité de l’argumentation

La valeur des informations est bonne : le cours offre une perspective historique complète et pédagogique sur l’évolution des CNN, en reliant les concepts mathématiques et neuroscientifiques. L’argumentation est solide, s’appuyant sur des exemples concrets et des références aux architectures célèbres. L’enseignant explique clairement les motivations derrière chaque innovation (ex. ReLU pour l’efficacité, résidus pour le problème de gradient). Cependant, certaines affirmations sont imprécises (ex. ‘Cloud Shan’ pour Claude Shannon, ‘Yadleon’ pour Yann LeCun) et la partie pratique est survolée, ce qui réduit légèrement la valeur globale.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte : le cours s’appuie sur des références historiques et des architectures bien documentées. Les sources citées incluent les liens vers le site du cours (DLVR), le GitHub avec le code, et les réseaux sociaux. Cependant, aucune source académique directe n’est mentionnée dans la vidéo, et les noms de certains chercheurs sont mal prononcés. L’adéquation titre/contenu est bonne, le titre reflétant exactement le sujet. Aucun commentaire n’a été fourni pour analyse.

Le titre correspond au contenu : il s'agit bien d'un cours sur les architectures modernes de CNN, dans le cadre d'un semestre universitaire.

7/10

Cours universitaire structuré, s'appuyant sur des références historiques et des architectures reconnues (LeNet, AlexNet, VGG, ResNet, Inception, YOLO). Les explications sont claires et pédagogiques, mais certaines affirmations manquent de précision (dates, noms) et la partie pratique est peu détaillée.

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

• 00:00Introduction et rappel du cours précédent sur LeNet.
• 02:00Présentation de YOLO et de son utilisation pratique via Ultralytics.
• 05:00Historique des neurosciences : expérience sur le cerveau du chat et distribution normale.
• 10:00Explication du principe de convolution avec l'analogie du sticky note.
• 15:00Présentation de l'anatomie d'un CNN : couches de convolution, pooling, fully connected.
• 20:00Introduction à ImageNet et au concours ILSVRC.
• 25:00Présentation d'AlexNet : ReLU, multi-GPU, local response normalization.
• 30:00Présentation de VGGNet : augmentation de la profondeur et petits filtres.
• 35:00Présentation de Network in Network et de l'idée de MLP dans les couches de convolution.
• 40:00Présentation d'Inception et du principe hebbien.
• 45:00Présentation de ResNet et des connexions résiduelles.
• 50:00Présentation de DenseNet et des connexions denses.
• 55:00Présentation de YOLO et de son architecture complexe.
• 1:00:00Démonstration pratique : construction d'un CNN sur Fashion MNIST avec TensorFlow et PyTorch.

• DLVR - Deep Learning via Rust — Site du cours avec le chapitre 6 sur les architectures CNN modernes.
• Teaching MLDL - GitHub — Dépôt contenant le code et les supports du cours.
• RantAI Academy — Plateforme d'apprentissage de la communauté RantAI.
• Telegram RantAI — Canal Telegram pour discuter et poser des questions.
• LinkedIn RantAI — Page LinkedIn de la communauté RantAI.

• ImageNet — Base de données utilisée pour le concours ILSVRC mentionné dans le cours.
• AlexNet — Architecture présentée comme une étape clé dans l'évolution des CNN.
• Residual Neural Network — Concept de connexions résiduelles expliqué dans le cours.