Les VAE sont une évolution des autoencodeurs, dans laquelle on va guider la projection des données au sein de l’espace latent, de manière à pouvoir étudier et utiliser celui-ci. L’apprentissage pourra cette fois être totalement non supervisé.

• 00:00 Introduction
• 05:40 Sommaire
• 07:10 Retour sur l’autoencodeur
• 17:48 De l’Autoencodeur (AE) au Variational Autoencodeur (VAE)
• 27:40 Fonction de perte (Reconstruction, Kullback-Liebler)
• 31:24 Pondération de la fonction de perte
• 44:44 Génération de données par morphing dans l’espace latent
• 55:24 Exemple 1 : Implémentation par custom layer
• 1:28:06 Exemple 2 : Implémentation par custom model
• 1:45:39 Visualisation de l’espace latent dans un simplex
• 1:52:00 A garder en mémoire

Exemple proposé : mise en œuvre d’un VAE, génération de données et morphing dans l’espace latent.

Durée 2h