Stanford CS229 Machine Learning | Spring 2026 | Lecture 7: Neural Networks 1 (Architecture)

Cette leçon constitue une introduction solide et rigoureuse aux réseaux de neurones, dans la continuité du cours CS229. Le professeur Tengyu Ma adopte une approche pédagogique claire, en partant des modèles linéaires déjà étudiés pour généraliser aux modèles non linéaires. La distinction entre non-linéarité dans les données et non-linéarité dans les paramètres est bien expliquée, ce qui est crucial pour comprendre pourquoi les réseaux de neurones sont nécessaires. Le cadre de l’apprentissage supervisé est rappelé de manière concise, avec les définitions des fonctions de perte pour la régression (erreur quadratique moyenne) et la classification (entropie croisée). L’explication de la fonction softmax est claire et bien contextualisée. Cependant, le cours reste à un niveau introductif : il ne présente pas encore l’architecture complète des réseaux de neurones (couches, fonctions d’activation) ni la rétropropagation, qui sont annoncées pour la suite. La qualité des explications est élevée, mais le format oral, sans support visuel détaillé, peut rendre certains passages difficiles à suivre pour les non-initiés. Les sources citées (site du cours, programme Stanford AI) sont fiables et institutionnelles. L’adéquation entre le titre et le contenu est parfaite. En résumé, cette leçon est une excellente base pour qui souhaite comprendre les principes fondamentaux des réseaux de neurones, mais elle nécessite d’être complétée par les leçons suivantes pour une vision complète.

Le titre correspond parfaitement au contenu : il s'agit bien de la septième leçon du cours CS229, consacrée aux réseaux de neurones, avec un focus sur l'architecture.

8/10

Cours magistral de niveau universitaire (Stanford CS229) dispensé par un professeur titulaire, avec un contenu rigoureux et structuré. Les explications sont claires et s'appuient sur des fondements mathématiques solides. La qualité est élevée, mais le format oral et l'absence de supports visuels détaillés limitent légèrement la précision.

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

• 00:00Introduction au cours et annonce du programme : réseaux de neurones, rétropropagation, applications futures.
• 02:00Rappel des modèles linéaires et de la notation (paramètres, entrées).
• 05:00Explication de la non-linéarité dans les paramètres et pourquoi elle est nécessaire.
• 10:00Cadre général de l'apprentissage supervisé pour les modèles non linéaires : définition de la fonction de perte.
• 15:00Exemple de régression : fonction de perte quadratique.
• 20:00Classification multiclasse : logits, fonction softmax, entropie croisée.
• 30:00Discussion sur l'implémentation en PyTorch de la perte d'entropie croisée.
• 40:00Transition vers l'architecture des réseaux de neurones.

• Site officiel du cours CS229 (Stanford) — Page du cours CS229, contenant le syllabus et les supports de cours.
• Programmes professionnels et diplômants en IA de Stanford — Page d'information sur les programmes d'IA de Stanford, mentionnée dans la description.

• Deep Learning (livre de Goodfellow et al.) — Ouvrage de référence en deep learning, couvrant les réseaux de neurones et la rétropropagation.