Descriptif
Le Deep Learning et plus particulièrement les CNN sont des méthodes qui ont récemment connu un regain de popularité et qui ont largement contribué aux avancées dans des problèmes aussi divers que :
la classification, la segmentation et la comparaison d'images, la détection et la reconnaissance d'objets et de personnes (par exemple de visages), l'analyse vidéo, la détection d'anomalies, la super-résolution et même l'analyse du style dans les images, parmi une myriade d'autres.
Note: Une grande majorité des cours se fera en anglais
Objectifs pédagogiques
Introduire les étudiants aux méthodes récentes d'analyse et de traitement des images, basées sur le Deep Learning et plus particulièrement les réseaux de neurones convolutifs.
effectifs minimal / maximal:
/30Diplôme(s) concerné(s)
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme Programmes d'échange internationaux
L'UE est acquise si note finale transposée >= C- Crédits ECTS acquis : 6 ECTS
Le coefficient de l'UE est : 13
La note obtenue rentre dans le calcul de votre GPA.
La note obtenue est classante.
Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
L'UE est acquise si note finale transposée >= C- Crédits ECTS acquis : 6 ECTS
Le coefficient de l'UE est : 13
La note obtenue rentre dans le calcul de votre GPA.
La note obtenue est classante.
Programme détaillé
Ce cours présentera les principaux concepts utilisés dans ces méthodes et se concentrera sur les aspects pratiques de leur mise en place, notamment :
- le choix de l'architecture des CNN
- Les approches pratiques impliquées dans leur apprentissage, telles que la rétropropagation et la descente de gradient stochastique.
- L'entraînement des CNN sur du matériel moderne, y compris les GPU.
- Utiliser efficacement les modèles pré-entraînés dans la pratique
L'objectif final sera de travailler sur un challenge en groupes de deux étudiants et de rivaliser avec d'autres groupes, dans lequel les connaissances acquises pendant le cours seront utilisées pour résoudre un problème pratique à moyenne ou grande échelle