v2.11.0 (5757)

PA - C7 - MAP583 : Apprentissage profond de la théorie à la pratique

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 Innovation Technologique : ingénierie et entrepreneuriat

  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

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme M1 Data AI - Data and Artificial Intelligence

Le rattrapage est autorisé (Note de rattrapage conservée)

    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

      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 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 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

            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

              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

                Programme détaillé

                All resources will be made available on the dataflowr website.

                Mots clés

                apprentissage profond, deep learning, pytorch
                Veuillez patienter