Apprentissage automatique — Guide d’apprentissage
Apprentissage automatique — Un parcours structuré en robotique, commande, agriculture en environnement contrôlé, énergie et électronique de puissance.
Un parcours structuré en robotique, commande, agriculture en environnement contrôlé, énergie et électronique de puissance.
- Fundamentals · 6 min de lecture
Introduction à l'apprentissage automatique : Fondements — Conception des données, fonction de perte et généralisation
« L’apprentissage automatique ne se limite pas à la sélection du modèle : il faut définir la tâche, la division des données, la fonction de perte, l’évaluation et le déploiement. »
- Fundamentals · 6 min de lecture
Introduction à l'apprentissage automatique : Notions de base des réseaux neuronaux
Les réseaux neuronaux empilent des transformations affines et des activations non linéaires, puis réduisent la perte par rétropropagation et optimisation basée sur le gradient.
- Fundamentals · 18 min de lecture
Introduction à la détection d'objets et à la segmentation sémantique — Interpréter « Qu'est-ce qui est où » à partir d'une image
La détection d'objets encadre les éléments ; la segmentation sémantique colore chaque pixel selon sa signification. De la différence entre les deux, en passant par la segmentation par instance et la segmentation panoptique, et l'évolution de R-CNN à YOLO, DETR et DINO, jusqu'à leurs équivalents en nuages de points 3D : un tour d'horizon systématique des principes fondamentaux de la compréhension des scènes.
- Fundamentals · 13 min de lecture
YOLO11 expliqué en détail — Qu'est-ce que C3k2 et C2PSA ont changé par rapport à YOLOv8 ?
Analysez en détail Ultralytics YOLO11 en utilisant la documentation officielle et les sources primaires : C3k2, C2PSA, détection sans ancre, pertes DFL/CIoU et benchmarks mesurés pour n/s/m/l/x.
- Fundamentals · 11 min de lecture
Guide complet de SegFormer — Pourquoi un transformateur sans encodage positionnel fonctionne pour la segmentation
Cet article présente SegFormer, introduit par NVIDIA, l'Université de Hong Kong et leurs collaborateurs lors de la conférence NeurIPS 2021, en s'appuyant sur l'article original. Nous examinons l'encodeur MiT hiérarchique sans encodage positionnel, le décodeur All-MLP à faible nombre de paramètres, le champ réceptif effectif, ainsi que le mIoU mesuré, le nombre de paramètres et les calculs de B0 à B5 à l'aide d'équations.
- Fundamentals · 6 min de lecture
Introduction à l'apprentissage automatique : estimation de la pose
L'estimation de pose déduit les points clés et la pose 6D d'une personne ou d'un objet à partir d'images. Ce guide aborde les coordonnées, les pertes, l'occlusion, l'évaluation et la sécurité.
- Fundamentals · 6 min de lecture
Introduction à l'apprentissage automatique : Modèles génératifs
Les modèles génératifs représentent les distributions de données et produisent des résultats conditionnels. Apprenez la vraisemblance, les VAE, les GAN, la diffusion, l'évaluation, la provenance et la sécurité.
- Hands-on · 3 min de lecture
Évaluation comparative des LLM locaux : temps de réponse initial, taux de génération et mémoire
Mesurer le contenu de la première réponse séparément du taux de génération et du contrôle residency, caching and memory conditions.