Auto-encodeur avec PyTorch / Python
Deep Learning - Machine learning. Définition, paramétrage, instanciation et entraînement des auto-encodeurs (autoencoders) avec PyTorch (Python). Retour rapide sur les auto-encodeurs, le principe de l'embedding, une représentation intermédiaire et une réduction de dimension qui a pour objectif de capter l'essence des informations portées par les données. Projection des individus dans l'espace intermédiaire. Reconstitution des données initiales. Fonction de coût, algorithme d'optimisation. Quelques applications : traitement des variables et des individus supplémentaires ; utilisation d'un auto-encodeur pour identifier les atypismes dans les données.
Site de cours : https://cours-machine-learning.blogsp...
Accès au notebook et données : http://tutoriels-data-science.blogspo...
00:00 Auto-encodeurs
03:02 Accès aux notebooks, données et fichier de configuration
07:20 Données "automobiles" (var. et ind. actifs, données illustratives)
09:44 Démarrage du notebook - Versions des outils
10:42 Chargement et préparation des données actives
14:56 Structure du réseau avec PyTorch - Classe héritière de torch.nn.module
21:58 Paramétrage et instanciation
22:44 Valeur initiale de la perte (avec les coefs. définis aléatoirement)
24:42 Entraînement du réseau sur les données d'apprentissage
27:11 Evolution de la perte au fil des epochs
28:06 Coefficients et intercepts du réseau
29:35 Représentation des individus dans l'espace intermédiaire
32:01 Reconstitution des données
33:27 Données originelles vs. reconstituées - Identification des valeurs atypiques
41:15 Utilisation des variables illustratives catégorielles et numériques
43:42 Traitement des individus supplémentaires