v2.11.0 (5757)

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 Titre d’Ingénieur diplômé de l’École polytechnique

  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

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École 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 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 M1 Data AI - Data and Artificial Intelligence

      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 Non Diplomant

        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 - Applied Mathematics and statistics

          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 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

              Pour les étudiants du diplôme M1 IES - Innovation, Entreprise and Société

              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.

                  Programme détaillé

                  All resources will be made available on the dataflowr website.

                  Mots clés

                  apprentissage profond, deep learning, pytorch
                  Veuillez patienter