Ce cours est dédié aux méthodes d’apprentissage et en particulier les méthodes d’apprentissage profond, pour le traitement de données en grande dimension telles que des les images par exemple.
* Réseaux de neurones et introduction à l’apprentissage profond: définition des réseaux de neurones, fonctions d’activation, perceptron multicouches, algorithme de rétropropagation du gradient, algorithmes d’optimisation, régularisation.
* Réseaux de neurones convolutionnels : couche convolutionnelle, pooling, dropout, architecture des réseaux convolutionnels (ResNet, Inception), transfert d’apprentissage, applications à la classification d’images, la détection d’objet, la segmentation d’image, l’estimation de posture, etc.
* Réseaux de neurones récurrents : modélisation de séquences, neurone récurrent, rétropropagation à travers le temps, LSTM et GRU, applications au traitement du langage naturel et au traitement des signaux audio et vidéo
* Réseaux de neurones et 3D : réseaux convolutifs 3D pour le traitement des données volumétriques (ex: IRM), réseaux PointNet et PointNet++ pour le traitement des nuages de points 3D (ex: LIDAR).
* Apprentissage profond non-supervisé et modèles génératifs : Autoencodeurs, Auto-encodeurs variationnels (VAE) , Réseaux Génératifs Antagonistes (GAN)
* Décomposition functionnelle sur des bases de Spline, Fourier , ondelettes ou ACP fonctionnelle Functional decomposition on splines, Fourier or wavelets bases: splines cubiques, critère des moindres carrés pénalisés, bases de Fourier, bases d’ondelettes, application en régression non paramétrique, estimateurs linéaires et non linéaires par seuillage, liens avec la méthode LASSO. ACP fonctionnelle.
* Détection d’anomalies : Principaux algorithmes : One Class SVM, Random Forest, Isolation Forest, Local Outlier Factor. Applications à la détection d’anomalies pour des données fonctionnelles.
