Suivez l’attention, des composants de base à un modèle spécialisé de prévision.
Ce parcours technique va des principes des Transformers et d’une implémentation transparente à petite échelle, en passant par des variantes d’attention, jusqu’à l’architecture Informer pour les séries temporelles. Reliez les choix d’architecture à la structure des séquences, au coût de calcul et aux hypothèses de prévision, puis concevez une évaluation sans fuite temporelle.
Expliquer comment l’attention représente les relations entre positions d’une séquence. Comparer un Transformer classique, une variante d’attention et une architecture pour séries temporelles. Concevoir une évaluation chronologique de prévision, avec des références simples et des contrôles contre les fuites de données.
Une première expérience des réseaux de neurones, des vecteurs et de l’apprentissage supervisé est recommandée. Savoir lire des schémas de modèles simples ou du pseudocode est utile ; aucun logiciel particulier n’est requis.
Aux apprenants expérimentés souhaitant approfondir et appliquer des compétences avancées en IA
Aux personnes qui apprennent mieux avec des exemples, des leçons guidées et de la pratique
Aux professionnels, créateurs et développeurs indépendants recherchant une méthode reproductible
La leçon 1 est gratuite
4 leçons · Avancé · Cours complet.
Ce cours utilise du contenu sous licence CC BY attribué à son fournisseur ou à la personne qui l’a mis en ligne. La lecture des leçons est disponible uniquement après authentification et validation des contrôles de publication et de licence.