v2.11.0 (5518)

Programme d'approfondissement - APM_52183_EP : Apprentissage profond de la théorie à la pratique

Domaine > Mathématiques appliquées.

Descriptif

Les récents développements dans les apporches du réseau neuronal (plus connu sous le nom de "apprentissage profond") ont considérablement changé le paysage de plusieurs domaines de recherche tels que la classification d'images, la détection d'objets, la reconnaissance vocale, les voitures autonomes et bien plus. En raison de sa promesse d'exploiter de grandes (et parfois petites) quantités de données de bout en bout, c'est-à-dire former un modèle pour qu'il puisse extraire lui-même des caractéristiques et apprendre à partir de celles-ci, l'apprentissage profond est de plus en plus populaire auprès d'autres secteurs d'activité : médecine, analyse des séries temporelles, biologie, simulation...

Ce cours est une étude approfondie des détails pratiques des architectures d'apprentissage profond, dans lesquelles nous essayons d'expliquer l'apprentissage profond et de vous inciter à l'utiliser dans votre propre domaine d'intérêt. Pendant ce cours vous permetrta de mieux comprendre les bases de l'apprentissage profond et serez familiarisé avec ses applications. Nous vous montrerons comment configurer, entraîner, déboguer et visualiser votre propre réseau neuronal. Nous fournirons également des astuces d'ingénierie pratique pour entraîner ou adapter les réseaux neuronaux à de nouvelles tâches.

Objectifs pédagogiques

A l'issue de ce cours, les étudiants auront un aperçu du paysage de l'apprentissage profond et de ses applications dans les domaines traditionnels, mais aussi quelques idées pour les appliquées dans de nouveaux domaines.

Ils devraient aussi être capables d'entraîner eux-mêmes un réseau neuronal profond de plusieurs millions de paramètres. Nous utiliserons la bibliothèque Pytorch dans Python pour les exercices.

Pour les étudiants du diplôme Programmes d'échange internationaux

  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

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme MScT-Artificial Intelligence and Advanced Visual Computing

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 10
    • Crédits ECTS acquis : 4.5 ECTS

    La note obtenue rentre dans le calcul de votre GPA.

    Pour les étudiants du diplôme Programmes d'échange internationaux

    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 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 IES - Innovation, Entreprise et 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 M1 DataAI - Données et intelligence artificielle

          Le rattrapage est autorisé (Note de rattrapage conservée)

            Programme détaillé

            Toutes les ressources seront disponibles sur le site dataflowr

            Mots clés

            apprentissage profond, deep learning, pytorch
            Veuillez patienter