Programme (contenu détaillé) :
Ce cours est dédié aux méthodes d’apprentissage profond pour le traitement de données complexes telles que des signaux, des images ou des données séquentielle (séries temporelles ou données textuelles).
* Réseaux de neurones convolutionnels : couche convolutionnelle, pooling, dropout, architecture des réseaux convolutionnels (ResNet, Inception), transfert d’apprentissage, applications à la classification de signaux et d’images et à la détection d’objets.
* Encoder-décoder, Auto-encoder variationnels, apprentisage auto-supervisé, apprantissage contrastif, tâches pretexte.
* Réseaux récurrents (RNN, LSTM) pour l’analyse de données séquentielles.
* Transformers pour le traitement du langage naturel.
Objectifs
A la fin de ce module, l'étudiant.e devra avoir compris et pourra expliquer (principaux concepts) :
- L'utilisation des algorithmes d'apprentissage profond (réseaux de neurones convolutionnels) pour la classification de données complexes (signaux, images) en grande dimension avec estimation de l'erreur de prédiction
- Les principaux algorithmes de classification de signaux ou d'images
- Les méthodes de réduction de dimension pour des données complexes
- Les réseaux de neurones récurrents pour l'étude de données séquentielles
- L'utilisation des réseaux convolutionnels pour la détection d'objets dans des images
- Les transformers et leur application au traitement du langage naturel.
L'étudiant.e devra être capable de :
- Ajuster des réseaux de neurones profonds pour la classification de signaux ou d'images.
- Utiliser des réseaux de neurones récurrents et des transformers pour le traitement du langage naturel.
- Mettre en œuvre et optimiser les algorithmes d'apprentissage profond sur des données réelles à l'aide de librairies Python.
- Mener des expériences afin de comparer une série de modèles et en choisir le plus approprié pour une tâche donnée.
- Choisir et interpréter les métriques le plus courantes afin d'évaluer les différentes architectures de réseaux de neurones.
Pré-requis
Éléments de Modélisation statistique
Machine Learning
Introduction aux logiciels R et Python
Évaluation
L’évaluation des acquis d’apprentissage est réalisée en continu tout le long du semestre. En fonction des enseignements, elle peut prendre différentes formes : examen écrit, oral, compte-rendu, rapport écrit, évaluation par les pairs…
