Comment ne pas se noyer dans un océan de cours sur les réseaux de neurones et trouver des conférences vraiment utiles

Une situation familière : tu décides de rafraîchir tes connaissances en Deep Learning, tu ouvres YouTube, et tu trouves des milliers de vidéos avec des titres comme "Les réseaux de neurones en 5 minutes." Tu cliques sur une, puis une autre, puis une troisième, mais au lieu d'une compréhension profonde, tu obtiens un désordre d'informations fragmentées. À la fin, du temps est dépensé, et l'intuition dont Geoffrey Hinton parlait n'apparaît jamais.

Je suis tombé sur un dépôt appelé Deep Learning Drizzle, et c'est probablement la collection de contenus éducatifs sur l'IA la plus pertinente que j'aie vue ces dernières années. L'auteur du projet, kmario23, a fait un travail énorme—il n'a pas simplement regroupé des liens, mais a organisé les meilleurs cours universitaires et conférences des meilleurs laboratoires du monde entier.

Ce qu'il y a dans ce trésor

En bref, c'est un immense catalogue de conférences vidéo gratuites, de diapositives et de code. Il n'y a pas de cours "d'info-gourou" ici. Seulement des approches académiques sérieuses de Stanford, MIT, Oxford, CMU et d'autres géants.

Le projet est divisé en sections logiques, ce qui te évite la paralysie du choix. Tu peux commencer par les bases de l'algèbre linéaire et progresser jusqu'aux architectures de réseaux de neurones sur graphes les plus récentes.

Naviguer dans les sections

Le dépôt compte plus de dix catégories. Voici celles que je recommanderais de regarder en priorité :

1. Deep Learning (Deep Neural Networks). C'est le fondement. Plus de 80 cours y sont rassemblés. Il y a le légendaire CS231n d'Andrej Karpathy (Stanford) et les conférences de Yann LeCun lui-même à NYU. Curieusement, l'auteur a ajouté des cours de différentes années—tu peux suivre l'évolution des approches de 2012 à aujourd'hui.
2. Machine Learning Fundamentals. Si tu galères avec les matrices ou que tu as oublié ce qu'est un gradient, c'est fait pour toi. Tu y trouveras les conférences d'algèbre linéaire de Gilbert Strang et d'excellentes visualisations de 3Blue1Brown (Grant Sanderson).
3. Reinforcement Learning. L'apprentissage par renforcement est un sujet difficile, mais le cours de David Silver de DeepMind y figure. C'est littéralement la référence de l'industrie.
4. Natural Language Processing. Tout sur le NLP : des méthodes classiques aux transformers et aux modèles de langage modernes. Les cours Stanford de Christopher Manning sont inclus.
5. Geometric Deep Learning. En ce moment, c'est l'une des directions les plus chaudes (réseaux de neurones sur graphes). La liste comprend les conférences de Michael Bronstein, qui a essentiellement fondé cette discipline.

Pourquoi c'est utile pour un développeur en pratique

Le problème principal de l'autoformation, c'est l'absence de système. Tu sais peut-être comment importer ResNet depuis une bibliothèque, mais tu ne comprends pas pourquoi ça fonctionne comme ça. Deep Learning Drizzle te donne accès aux sources primaires.

Par exemple, si tu as besoin de comprendre l'optimisation des modèles, tu ouvres la section correspondante et tu trouves le cours d'optimisation convexe de Stephen Boyd. Ce n'est pas juste du "bidouillage de paramètres"—c'est une base mathématique qui te permettra d'aborder l'entraînement des modèles de manière consciente, plutôt que de tâtonner.

D'ailleurs, il y a une section Medical Imaging dans la collection. C'est un excellent exemple de comment les connaissances générales en DL sont appliquées dans un domaine étroit mais crucialement important. Si tu envisages de changer de domaine ou si tu cherches des idées de projets personnels, regarde les conférences de cette section.

Comment utiliser cette liste

N'essaie pas de saisir l'insaisissable. La liste est immense, et si tu commences à regarder tout indistinctement, tu vas vite t'épuiser. Je recommanderais cette approche :

• Choisis un sujet spécifique dont tu as besoin pour ton travail en ce moment (par exemple, le NLP ou la CV).
• Trouve un cours de l'année la plus récente (2021-2022) d'une université reconnue.
• Pense à télécharger les diapositives et à chercher les liens vers les dépôts de code, qui sont souvent indiqués dans les tableaux à côté des vidéos.

L'auteur a également inclus une section sur les écoles d'été. Ce sont des connaissances concentrées, généralement dispensées sur une à deux semaines de formation intensive. Les conférences sont données par des "légendes" de l'industrie, et c'est une excellente façon de se mettre rapidement à niveau sur un sujet spécifique.

Est-ce que ça vaut le temps investi

Le projet a près de 13 000 étoiles sur GitHub, et c'est mérité. Ce n'est pas juste une liste de liens—c'est un guide vivant. Bien sûr, certains liens vers les pages universitaires peuvent finir par "mourir," mais les noms des cours et des professeurs restent d'excellents repères pour faire des recherches sur le web.

Pour qui est-ce ? Avant tout pour ceux qui veulent comprendre les "entrailles" des algorithmes, pas juste appeler .fit() et .predict(). Si tu te prépares pour un entretien dans une grande entreprise tech pour un poste d'ingénieur ML, suivre quelques cours de cette liste te donnera un énorme avantage sur ceux qui ont appris via des tutoriels courts.

Donc, si tu cherchais un signe pour enfin comprendre les mathématiques des réseaux de neurones ou étudier les méthodes bayésiennes—le voici. Ouvre simplement Deep Learning Drizzle et commence à apprendre auprès des meilleurs.