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.
effectifs minimal / maximal:
1/60Diplôme(s) concerné(s)
- Echanges PEI
- Titre d’Ingénieur diplômé de l’École polytechnique
- M1 Data AI - Data and Artificial Intelligence
- M1 - Applied Mathematics and statistics
- Innovation Technologique : ingénierie et entrepreneuriat
- M1 Innovation, Entreprise, et Société - Voie Innovation technologique
- M1 IES - Innovation, Entreprise and Société
Parcours de rattachement
Pour les étudiants du diplôme Echanges PEI
- basics in Machine Learning
- coding in pyhton
Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
- basics in Machine Learning
- coding in pyhton
Pour les étudiants du diplôme Innovation Technologique : ingénierie et entrepreneuriat
- basics in Machine Learning
- coding in pyhton
Pour les étudiants du diplôme M1 Innovation, Entreprise, et Société - Voie Innovation technologique
- basics in Machine Learning
- coding in pyhton
Format des notes
Numérique sur 20Littérale/grade réduitPour 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)- 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)- 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)- 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)- 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)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 - Applied Mathematics and statistics
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Programme détaillé
All resources will be made available on the dataflowr website.