Chapitre 1 – Structure du réseau (pixels, neurones, formules, entraînement).Chapitre 2 – Comment le réseau apprend (loss, descente de gradient).Chapitre 3 – Analyser le réseau (poids, neurones en direct, limites).Chapitre 4 – La rétropropagation (comment le gradient est calculé).Chapitre 5 – Le calcul de la rétropropagation (règle de la chaîne, dérivées).Chapitre 6 – LLM, 5 vérités surprenantes, Transformers et attention.Chapitre 7 – Du texte aux nombres (tokens, embedding, softmax, température).Chapitre 8 – L’attention dans les Transformers (requêtes, clés, valeurs, multi-têtes).Chapitre 9 – MLP dans les Transformers — où sont stockés les faits.Chapitre 10 – IA images et vidéos — diffusion, CLIP, DDIM, guidage.
