Formations en Informatique de Lille
Portail pédagogique
Vous êtes ici : FIL > Portail > Master Info > Machine Learning > AP
Apprentissage Profond (UE: AP)
Informations Générales
Responsable Mikaela Keller
Semestre S2
Enseignement Obligatoire -- Présentiel
UEs pré-requises SD, ACT
Modalités d’évaluation CC+CT
Structure ECTS
Élément de cours Apprentissage Profond
Unité d’enseignement AP 3
Bloc de compétence Intelligence Artificielle
Répartition horaire CM CTD TD TP à distance total
Heures encadrées 12 12 24
Heures Projet
Travail Personnel 24
Stage

dernière modification : 09/11/2021 à 07:44:01

Objectifs

  • L’objectif de ce cours est que les étudiants comprennent les réseaux de neurones, qu’ils soient capables de juger les tâches sur lesquelles ceux-ci sont utilisables et pertinents. À l’issue de cette UE, les étudiants seront capables de mettre en uvre des réseaux de neurones pour traiter des applications concrètes. Ils seront capables d’analyser les résultats fournis et d’évaluer les performances du réseau. L’aspect technologique des réseaux profonds aujourd’hui disponibles prêt à l’emploi sur Internet sera également présenté.

  • Enfin, face à la forte médiatisation du sujet, à l’issue de ce cours, l’étudiant aura une vision claire de ce qui est effectivement réalisable avec un réseau de neurones (profond ou pas) et ce qui relève encore de l’utopie.

Programme succinct

L’une des plus anciennes méthodes d’apprentissage supervisé, le réseau de neurone formel est aujourd’hui au coeur de la science des données et de l’intelligence artificielle. Ces systèmes sont aujourd’hui extrêmement performants, en particulier dans des tâches de vision par ordinateur, de reconnaissance de la parole et plus généralement de traitement de signal, d’analyse de vidéos, … La présentation des réseaux de neurones commencera par l’unité de base, le perceptron, modèle très simple que l’on peut bien comprendre, analyser et qui constituera le socle de compréhension essentiel à celle des réseaux. Nous étudierons ensuite le perceptron multi-couches et la méthode d’apprentissage connue sous le nom de retro-propagation du gradient de l’erreur. Nous manipulerons ceux-ci sur des cas pratiques afin de bien comprendre et maîtriser leur fonctionnement. Nous aborderons alors les réseaux profonds~; nous nous attacherons à comprendre leur fonctionnement et leur utilisation, notamment dans des tâches de vision (détection d’objets dans des images par exemple). Nous étudierons de près la capacité de ces réseaux à calculer des représentations internes des données, représentations qui peuvent être exploitées en tant que telles. Enfin, nous nous intéressons aux données séquentielles et nous étudierons les réseaux de neurones récurrents.

Toutes les notions formelles seront mises en pratique afin de savoir mettre en oeuvre ces notions, en s’appuyant sur les bibliothèques logicielles les plus performantes du moment.

Compétences

  • de comprendre le fonctionnement d’un perceptron et d’un perceptron multi-couches
  • de mettre en oeuvre un réseau de neurones sur une application
  • d’évaluer la qualité du résultat produit par le réseau de neurones
  • d’extraire la représentation interne du réseau
  • d’utiliser des réseaux de neurones prêt à l’emploi pour des tâches


dernière modification : 09/11/2021 à 07:44:01