Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 14: Generative Models 2

Cette leçon constitue une introduction rigoureuse et pédagogique aux modèles génératifs implicites, en particulier les GAN et les modèles de diffusion. Le professeur Justin Johnson, expert reconnu dans le domaine, structure son exposé de manière claire, en partant des concepts fondamentaux (probabilités, vraisemblance) pour aboutir aux architectures modernes. La valeur pédagogique est excellente : les explications sont précises, les équations sont détaillées et les intuitions sont bien transmises. La rigueur scientifique est élevée : les définitions sont exactes, les notations sont standard, et les limites des méthodes sont mentionnées (par exemple, l’instabilité de l’entraînement des GAN). Les sources sont implicites mais le cours s’appuie sur des travaux fondateurs (Goodfellow et al., 2014 ; Ho et al., 2020) et des références académiques solides. L’adéquation entre le titre et le contenu est parfaite. La qualité de la présentation est remarquable, avec un support visuel clair et des exemples concrets. En revanche, le niveau technique est avancé, ce qui peut limiter l’accessibilité pour un public non spécialiste. De plus, la vidéo ne fournit pas de références bibliographiques explicites, mais les liens de la description renvoient au site du cours et aux ressources de Stanford. Dans l’ensemble, cette leçon est une ressource de grande qualité pour les étudiants et les chercheurs en apprentissage profond.

Le titre est clair et correspond exactement au contenu : il s'agit de la 14e leçon du cours CS231N sur les modèles génératifs, avec un focus sur les modèles de diffusion.

9/10

Cours magistral de niveau universitaire (Stanford CS231N) dispensé par un chercheur reconnu (Justin Johnson, professeur à l'Université du Michigan et chercheur chez Meta AI). Le contenu est rigoureux, structuré et s'appuie sur des concepts mathématiques solides (minimax, divergence de Jensen-Shannon, etc.). Les explications sont précises et les notations standard. La fiabilité est élevée, bien que le format vidéo ne permette pas une vérification exhaustive des sources.

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

• 00:00Introduction et rappel des modèles génératifs vs discriminatifs, taxonomie des modèles génératifs.
• 05:00Rappel des modèles à densité explicite : modèles autorégressifs et auto-encodeurs variationnels (VAE).
• 10:00Introduction aux modèles à densité implicite et présentation des GAN.
• 15:00Explication du jeu minimax et de la fonction objectif des GAN.
• 20:00Discussion sur l'entraînement des GAN : stabilité, mode collapse, et astuces pratiques.
• 30:00Transition vers les modèles de diffusion : principe général et processus de bruitage.
• 40:00Détails du processus de diffusion directe et inverse, et objectif d'entraînement.
• 50:00Comparaison entre GAN et modèles de diffusion : avantages et inconvénients.
• 1:00:00Conclusion et perspectives pour les modèles génératifs.

• CS231N Course Website — Site officiel du cours CS231N, contenant le syllabus, les notes de cours et les devoirs.
• CS231N Online Course (Stanford Online) — Page d'inscription au cours en ligne CS231N, version professionnelle.
• XCS231N Professional Education — Lien vers le programme de formation professionnelle XCS231N.
• Stanford AI Programs — Page présentant les programmes d'intelligence artificielle de Stanford.
• Playlist du cours CS231N — Playlist YouTube contenant toutes les leçons du cours CS231N.

• Generative Adversarial Networks (Goodfellow et al., 2014) — Article fondateur des GAN, cité implicitement dans la leçon.
• Denoising Diffusion Probabilistic Models (Ho et al., 2020) — Article de référence pour les modèles de diffusion, abordés dans la leçon.