Cette séance de cours explore les concepts de surparamètre et de généralisation dans les modèles d'apprentissage profond, en discutant de l'impact de la taille du modèle, des échantillons de formation et des erreurs d'essai. Il s'inscrit dans le phénomène du surajustement et du sous-ajustement, montrant l'importance de trouver le « spot sucré » dans la capacité du modèle. La séance de cours traite également des implications des courbes de risque de double descente et de l'existence de mauvais minima mondiaux dans la formation de réseaux neuronaux profonds. De plus, il examine le rôle de la régularisation implicite dans la descente stochastique des gradients et la capacité des réseaux neuraux à s'adapter aux étiquettes aléatoires. La présentation se termine par des idées sur l'apprentissage autosupervisé, l'apprentissage de la représentation et les modèles génériques.