Cette session de travaux pratiques présentera les principales étapes de l’application de l’apprentissage profond aux données agricoles, depuis la préparation et le prétraitement des données jusqu’à la construction et à l’entraînement des modèles. Les exercices montreront comment sélectionner différentes architectures de réseaux de neurones en fonction de la structure des données et du problème agricole étudié. Les participants découvriront les réseaux de neurones appliqués aux données tabulaires, les réseaux de neurones convolutifs (CNN) pour l’analyse d’images agricoles et de télédétection, ainsi que les réseaux de neurones récurrents (RNN) et les réseaux à mémoire longue et courte durée (LSTM) pour les données séquentielles et les séries temporelles. Une brève introduction aux architectures fondées sur les transformeurs et à leurs applications émergentes en agriculture sera également proposée. À travers des exercices guidés en Python, les participants examineront les principales composantes de ces modèles et apprendront comment les adapter à des tâches concrètes de prévision, de classification et de suivi en agriculture.