v2.3.2 (2676)

PA - C7 - MAP583 : Apprentissage profond

Domaine > Mathématiques appliquées.

Descriptif

Recent developments in neural network approaches (more known now as “deep learning”) have dramatically changed the landscape of several research fields such as image classification, object detection, speech recognition, machine translation, self-driving cars and many more. Due its promise of leveraging large (sometimes even small) amounts of data in an end-to-end manner, i.e. train a model to extract features by itself and to learn from them, deep learning is increasingly appealing to other fields as well: medicine, time series analysis, biology, simulation...

This course is a deep dive into practical details of deep learning architectures, in which we attempt to demystify deep learning and kick start you into using it in your own field of interest. During this course, you will gain a better understanding of the basis of deep learning and get familiar with its applications. We will show how to set up, train, debug and visualize your own neural network. Along the way, we will be providing practical engineering tricks for training or adapting neural networks to new tasks.

By the end of this class, you will have an overview on the deep learning landscape and its applications to traditional fields, but also some ideas for applying it to new ones. You should also be able to train a multi-million parameter deep neural network by yourself. For the implementations we will be using the Pytorch library in Python.

Pour les étudiants du diplôme Echanges PEI

  1. basics in Machine Learning
  2. coding in pyhton

Pour les étudiants du diplôme M1 Innovation, Entreprise, et Société - Voie Innovation technologique

  1. basics in Machine Learning
  2. coding in pyhton

Pour les étudiants du diplôme Innovation Technologique : ingénierie et entrepreneuriat

  1. basics in Machine Learning
  2. coding in pyhton

Pour les étudiants du diplôme Diplôme d'ingénieur de l'Ecole polytechnique

  1. basics in Machine Learning
  2. coding in pyhton

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme M1 Mathématiques et Applications - Voie Jacques Hadamard - École Polytechnique

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si note finale transposée >= C
    • Crédits ECTS acquis : 5 ECTS

    Pour les étudiants du diplôme M1 Informatique - Voie Jacques Herbrand - X

    Le rattrapage est autorisé (Note de rattrapage conservée)
      L'UE est acquise si note finale transposée >= C
      • Crédits ECTS acquis : 4 ECTS

      Pour les étudiants du diplôme M1 Innovation, Entreprise, et Société - Voie Innovation technologique

      Vos modalités d'acquisition :

      validation by project

      Le rattrapage est autorisé (Note de rattrapage conservée)
        L'UE est acquise si note finale transposée >= C
        • Crédits ECTS acquis : 5 ECTS

        La note obtenue rentre dans le calcul de votre GPA.

        Pour les étudiants du diplôme Innovation Technologique : ingénierie et entrepreneuriat

        Vos modalités d'acquisition :

        validation by project

        Le rattrapage est autorisé (Note de rattrapage conservée)
          L'UE est acquise si note finale transposée >= C
          • Crédits ECTS acquis : 5 ECTS

          La note obtenue rentre dans le calcul de votre GPA.

          Pour les étudiants du diplôme Diplôme d'ingénieur de l'Ecole polytechnique

          Vos modalités d'acquisition :

          validation by project

          Le rattrapage est autorisé (Note de rattrapage conservée)
            L'UE est acquise si note finale transposée >= C
            • Crédits ECTS acquis : 5 ECTS

            La note obtenue rentre dans le calcul de votre GPA.

            Pour les étudiants du diplôme Echanges PEI

            Vos modalités d'acquisition :

            validation by project

            Le rattrapage est autorisé (Note de rattrapage conservée)
              L'UE est acquise si note finale transposée >= C
              • Crédits ECTS acquis : 5 ECTS

              Programme détaillé

              All resources will be made available on the dataflowr website.

              Mots clés

              apprentissage profond, deep learning, pytorch
              Veuillez patienter