Lec 8: Neural Network – III (Training of the Multi Layer Perceptron)

Ce cours magistral constitue une introduction solide à l’entraînement des réseaux de neurones feedforward. Le professeur Arijit Sur adopte une approche progressive, commençant par les notations, puis détaillant la propagation avant et la rétropropagation. La rigueur mathématique est présente, avec des formules explicites pour les sommes pondérées et les activations. L’exemple numérique fourni est précieux pour concrétiser les concepts abstraits. Cependant, la présentation est parfois confuse : le professeur hésite, se répète, et certains passages sont difficiles à suivre en raison d’une expression orale peu fluide. De plus, la dérivation de la rétropropagation n’est pas entièrement aboutie dans cette vidéo ; elle est interrompue avant d’expliquer complètement la mise à jour des poids. Le contenu est fiable, car il provient d’une institution académique reconnue, mais il manque de références à des sources externes. L’adéquation entre le titre et le contenu est parfaite. En résumé, c’est un cours utile pour les débutants, mais qui gagnerait à être plus structuré et à inclure des références bibliographiques.

Le titre correspond parfaitement au contenu : il s'agit bien de la troisième partie sur les réseaux de neurones, dédiée à l'entraînement du perceptron multicouche.

8/10

Cours magistral d'un professeur d'IIT Guwahati, institution reconnue. Contenu pédagogique structuré, explications détaillées, exemples numériques. Pas de références externes citées dans la vidéo, mais le cours s'appuie sur des fondements mathématiques solides. La qualité est élevée pour un cours introductif.

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

• 00:00Introduction et plan du cours : notation, forward pass, backward pass, exemples, complexité.
• 03:00Définition des notations : poids, couches, neurones, activation.
• 07:00Explication de la propagation avant : calcul des sorties des couches cachées.
• 12:00Exemple numérique de propagation avant avec un réseau à deux couches cachées.
• 18:00Introduction à la rétropropagation : principe de minimisation de l'erreur.
• 24:00Calcul des gradients par la règle de dérivation en chaîne.
• 30:00Discussion sur la complexité computationnelle et spatiale de l'entraînement.

• Cours NPTEL : Neural Networks for Computer Vision and Natural Language Processing — Page du cours dont cette vidéo fait partie, fournie dans la description.

• Deep Learning (Ian Goodfellow, Yoshua Bengio, Aaron Courville) — Ouvrage de référence qui couvre en détail la rétropropagation et l'entraînement des réseaux de neurones.