Stanford CS229 Machine Learning | Spring 2026 | Lecture 11: Diffusion Models

Le cours offre une introduction solide aux modèles de diffusion, couvrant à la fois les concepts fondamentaux et les détails mathématiques. La démarche pédagogique est progressive : on part de l’idée intuitive de débruiter une image pour arriver à la formulation mathématique du processus de bruit et de son inversion. La dérivation de la formule fermée pour l’image bruitée est bien expliquée, avec une attention particulière à la covariance et à la conservation de l’échelle. L’utilisation de l’inférence variationnelle pour apprendre le processus inverse est également bien motivée, bien que la présentation soit parfois confuse en raison de la transcription. La qualité des sources est excellente, puisqu’il s’agit d’un cours de Stanford, et les références au cours CS229 et au programme d’IA de Stanford sont fournies. Cependant, la transcription contient de nombreuses erreurs et hésitations (par exemple, ‘gshian’ pour ‘gaussien’, ‘regulion’ pour ‘gaussien’), ce qui peut nuire à la compréhension pour un non-initié. De plus, le cours ne couvre pas certains aspects pratiques comme le choix des hyperparamètres (bêta) ou les architectures de réseaux de neurones utilisées, ce qui limite son exhaustivité. L’adéquation entre le titre et le contenu est parfaite. En résumé, ce cours est une ressource de qualité pour les étudiants en machine learning qui souhaitent comprendre les modèles de diffusion, mais il nécessite une certaine familiarité avec les concepts mathématiques et une attention particulière en raison de la transcription imparfaite.

Le titre correspond parfaitement au contenu : il s'agit bien de la onzième leçon du cours CS229 de Stanford sur les modèles de diffusion.

8/10

Cours magistral de niveau universitaire (Stanford CS229) dispensé par des professeurs reconnus. Le contenu est rigoureux, avec des dérivations mathématiques et des explications conceptuelles. La fiabilité est élevée, mais la transcription contient des erreurs et des hésitations qui peuvent nuire à la clarté.

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

• 00:00Introduction au cours et présentation des modèles de diffusion.
• 02:00Définition de la tâche : générer des images réalistes à partir d'une distribution de données.
• 05:00Présentation du processus de bruit progressif et de l'objectif d'apprentissage inverse.
• 10:00Dérivation de la formule de bruit : x_t = sqrt(1-beta_t) x_{t-1} + sqrt(beta_t) epsilon_t.
• 15:00Explication de la conservation de la covariance et de la convergence vers un bruit gaussien.
• 20:00Introduction de la notation alpha-bar et simplification de la formule de bruit.
• 25:00Discussion sur l'apprentissage du processus inverse via l'inférence variationnelle.
• 30:00Explication de la minimisation de la divergence de KL et de la fonction de perte.
• 35:00Applications des modèles de diffusion : images, vidéos, robotique, et modèles de langage.
• 40:00Conclusion et transition vers les prochains sujets du cours.

• CS229 Machine Learning Course Website — Page officielle du cours CS229, mentionnée dans la description comme référence pour le programme et les supports.
• Stanford Artificial Intelligence Programs — Lien vers les programmes professionnels et diplômants en IA de Stanford, mentionné dans la description.

• Denoising Diffusion Probabilistic Models — Article de référence sur les modèles de diffusion, cohérent avec les concepts présentés dans le cours.
• Score-Based Generative Modeling through Stochastic Differential Equations — Article qui étend les modèles de diffusion, en accord avec les principes généraux du cours.

• Aucune source discordante identifiée — Le contenu du cours est conforme aux connaissances établies sur les modèles de diffusion.