Statistique en grande dimension et Apprentissage profond

Objectifs

A la fin de ce module, l'étudiant devra avoir compris et pourra expliquer (principaux concepts) :

-L'utilisation des algorithmes d'apprentissage profond pour la classification de données complexes en grande dimension avec estimation de l'erreur de prédiction
-Les principaux algorithmes de classification de media ou d¿images
-Les méthodes de réduction de dimension
-Les algorithmes de détection d¿anomalies
-Les applications des méthodes d¿apprentissage profond sur des jeux de données réelles

L'étudiant devra être capable de :

-Ajuster des réseaux de neurones profonds pour la classification ou la régression de media ou d'images.
-Appliquer des algorithmes de détection d¿anomalies.
-Mettre en œuvre les algorithmes d¿apprentissage profond sur des données réelles à l¿aide de librairies Python.

Pré-requis

Modélisation statistique
Exploration et logiciels statistiques

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…