Apprentissage profond pour données numériques

Description

Ce cours présente les principes fondamentaux de l'apprentissage profond, de la théorie des réseaux neuronaux convolutifs à leur mise en œuvre pour résoudre des problèmes du monde réel. Il sera divisé en quatre modules :

• Apprentissage profond et réseaux neuronaux convolutifs
• Apprentissage profond non supervisé
• Transformateurs

• Pipeline et défis de l'IA

Compétences requises

À l'entrée de cet enseignement, un étudiant devrait savoir :

• Programmation python
• Principes fondamentaux de l'apprentissage automatique
• Principes fondamentaux des réseaux neuronaux
• Évaluer les algorithmes d'apprentissage automatique

Compétences visées

À l'issue de cet enseignement un étudiant saura :

• Expliquer la notion de représentation latente dans le contexte des réseaux convolutifs,
• Mobiliser différentes approches pour interpréter les prédictions d’un modèle d’apprentissage automatique,
• Développe un modèle d'apprentissage profond non supervisé et visualise sa sortie,
• Comprendre la fonction des réseaux neuronaux récurrents et des transformateurs,
• Effectuer un clustering à l'aide d'un modèle d'apprentissage profond,
• Mettre en œuvre un pipeline d'IA pour résoudre un problème pratique.

Discipline(s)

• Informatique

Syllabus

Les principales étapes de l'élaboration d'un modèle d'apprentissage profond sont étudiées :

• Visualisation et étude des représentations latentes de réseaux convolutifs, explicabilité et apprentissage automatique,
• Apprentissage profond non supervise : autoencodeurs, apprentissage auto-supervisé, deep clustering,
• Visualisation : t-SNE, divergence KL,
• Introduction aux modèles génératifs,
• Apprentissage profond sur des données dynamiques : Réseaux récurrents (RNN, LSTM), modèles d’attention, transformers,
• Réalisation d’un pipeline d'apprentissage profond pour s'attaquer à un problème pratique dans le cadre d’un projet par équipe.

Bibliographie

• I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, The MIT Press, 2016
• C. Bishop, H. Bishop, Deep Learning: Foundations and Concepts, Springer, 2023

Contact