logo
v2.11.0 (6225)

Programme d'approfondissement - CSC_51054_EP : Apprentissage profond

Domaine > Mathématiques appliquées, Informatique.

Descriptif

Nous sommes entrés dans l’ère du Big Data, où l’explosion des données dans des domaines variés – des sciences et de l’ingénierie à la santé, la finance ou encore les sciences sociales – soulève des défis inédits mais aussi d’immenses opportunités. L’un des enjeux majeurs consiste à exploiter cette masse d’informations pour extraire des connaissances utiles et concevoir des services intelligents. Dans ce contexte, l’apprentissage profond s’impose comme un paradigme révolutionnaire, capable de modéliser des structures complexes et d’apprendre des représentations riches directement à partir des données brutes. S’appuyant sur des architectures avancées – telles que les réseaux convolutifs, les Transformers et les modèles préentraînés à grande échelle – le Deep Learning permet des avancées majeures dans des domaines comme la vision par ordinateur, le traitement du langage naturel, la génération de données, la bio-informatique ou encore l’apprentissage sur graphes. Ce cours explore les fondements théoriques et techniques de l’apprentissage profond ainsi que ses applications concrètes pour résoudre des problèmes complexes à grande échelle.

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme AUDITEURS - IP Paris

Pour les étudiants du diplôme M1 Mech - Mécanique

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 10
    • Crédits ECTS acquis : 3 ECTS

    Pour les étudiants du diplôme M1 IGD - Interaction, graphisme et design

    Le rattrapage est autorisé (Note de rattrapage conservée)
      L'UE est acquise si Note finale >= 10
      • Crédits ECTS acquis : 5 ECTS

      Pour les étudiants du diplôme M2 IGD - Interaction, graphisme et design

      Le rattrapage est autorisé (Note de rattrapage conservée)
        L'UE est acquise si Note finale >= 10
        • Crédits ECTS acquis : 5 ECTS

        Pour les étudiants du diplôme M1 DataAI - Données et intelligence artificielle

        Le rattrapage est autorisé (Note de rattrapage conservée)
          L'UE est acquise si Note finale >= 10
          • Crédits ECTS acquis : 5 ECTS

          Pour les étudiants du diplôme M2 DataAI - Données et intelligence artificielle

          Le rattrapage est autorisé (Note de rattrapage conservée)
            L'UE est acquise si Note finale >= 10
            • Crédits ECTS acquis : 5 ECTS

            Pour les étudiants du diplôme M2 EN - Énergie

            Le rattrapage est autorisé (Note de rattrapage conservée)
              L'UE est acquise si Note finale >= 10
              • Crédits ECTS acquis : 5 ECTS

              Pour les étudiants du diplôme M1 Cyber - Cybersecurité

              Le rattrapage est autorisé (Note de rattrapage conservée)
                L'UE est acquise si Note finale >= 10
                • Crédits ECTS acquis : 5 ECTS

                Pour les étudiants du diplôme M2 Cyber - Cybersecurité

                Le rattrapage est autorisé (Note de rattrapage conservée)
                  L'UE est acquise si Note finale >= 10
                  • Crédits ECTS acquis : 5 ECTS

                  Pour les étudiants du diplôme MScT-Visual Computing and Creative AI

                  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 MScT-Trust and Responsible AI

                    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 Non Diplomant

                      Le rattrapage est autorisé (Note de rattrapage conservée)
                        L'UE est acquise si Note finale >= 10
                        • Crédits ECTS acquis : 5 ECTS

                        Pour les étudiants du diplôme M2 CPS - Système Cyber Physique

                        Le rattrapage est autorisé (Note de rattrapage conservée)
                          L'UE est acquise si Note finale >= 10
                          • Crédits ECTS acquis : 5 ECTS

                          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 transposée >= C
                            • Crédits ECTS acquis : 5 ECTS

                            La note obtenue rentre dans le calcul de votre GPA.

                            Pour les étudiants du diplôme Programmes d'échange internationaux

                            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 Titre d’Ingénieur diplômé de l’École polytechnique

                              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 MSc X-HEC Entrepreneurs

                                Le rattrapage est autorisé (Note de rattrapage conservée)
                                  L'UE est acquise si Note finale >= 10
                                  • Crédits ECTS acquis : 5 ECTS

                                  Pour les étudiants du diplôme M1 MPRI - Fondements de l'Informatique

                                  Le rattrapage est autorisé (Note de rattrapage conservée)
                                    L'UE est acquise si Note finale >= 10
                                    • Crédits ECTS acquis : 5 ECTS

                                    Pour les étudiants du diplôme M1 CPS - Système Cyber Physique

                                    Le rattrapage est autorisé (Note de rattrapage conservée)
                                      L'UE est acquise si Note finale >= 10
                                      • Crédits ECTS acquis : 5 ECTS

                                      Programme détaillé

                                      Programme détaillé du cours :
                                      (des changements mineurs peuvent se produire pendant le déroulement du cours)

                                       

                                      Introduction générale à l'apprentissage machine

                                      • Paradigmes d'apprentissage machine
                                      • Pipelines d'apprentissage machine

                                      Apprentissage supervisé

                                      • Méthodes génératives et non génératives
                                      • Classification naïve bayésienne
                                      • Méthode basée sur l'utilisation d'un arbre de décision

                                      Apprentissage non supervisé

                                      • Réduction dimensionnelle
                                      • Regroupement

                                      Concepts avancés d'apprentissage machine

                                      • Régularisation
                                      • Sélection de modèles
                                      • Sélection de caractéristiques
                                      • Méthodes d'ensemble

                                      Kernels

                                      • Introduction aux kernels
                                      • Machines à vecteurs de support

                                      Réseaux de neurones

                                      • Introduction aux réseaux de neurones
                                      • Perceptrons et rétropropagation du gradient

                                      Apprentissage profond I

                                      • Réseaux de neurones conventionnels
                                      • Réseaux de neurones récurrents
                                      • Applications

                                      Apprentissage profond II

                                      • Traitement automatique des langues moderne
                                      • Apprentissage profond non supervisé
                                      • Intégrations, auto-encodeurs, réseaux antagonistes génératifs

                                      Apprentissage par renforcement

                                      Mots clés

                                      apprentissage machine, apprentissage profond, intelligence artificielle, réseau de neurones graphiques
                                      Veuillez patienter