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.
effectifs minimal / maximal:
/156Diplôme(s) concerné(s)
- M2 EN - Énergie
- M1 Mech - Mécanique
- AUDITEURS - IP Paris
- M1 MPRI - Fondements de l'Informatique
- M1 Cyber - Cybersecurité
- M2 DataAI - Données et intelligence artificielle
- Programmes d'échange internationaux
- M1 PHYS - Physique
- M1 IGD - Interaction, graphisme et design
- M2 IGD - Interaction, graphisme et design
- MSc X-HEC Entrepreneurs
- MScT-Cybersecurity (CyS)
- M2 CPS - Système Cyber Physique
- Non Diplomant
- M1 DataAI - Données et intelligence artificielle
- M1 HEP - Physique des Hautes Energies
- Titre d’Ingénieur diplômé de l’École polytechnique
- M1 CPS - Système Cyber Physique
- M2 Cyber - Cybersecurité
- MScT-Artificial Intelligence and Advanced Visual Computing
- MScT-Visual Computing and Creative AI
- MScT-Trust and Responsible AI
Parcours de rattachement
- MSc X-HEC Entrepreneurs - Mastère Spécialisé
- M2 - Cybersecurité - Master 2A
- M2 - Données et intelligence artificielle - Master 2A
- M2 - Interaction, graphisme et design - Master 2A
- M1 - Cybersecurité - Master 1A
- M1 - Interaction, graphisme et design - Master 1A
- M1MECHA - PARCOURS BME - Electifs hors maquette
- M1 - Données et intelligence artificielle - Master 1A
- MScT CyS - Semestre 1
- M2 - Énergie - Master 2A
- MScT AI-ViC - Semestre 1
- M1PHYSICS - Electifs hors maquette
- MScT-Visual Computing and Creative AI - 1ère année Master of Science and Technology (Graduate degree)
- MScT-Trust and Responsible AI
- AUDITEURS - IP Paris - Non diplomant - ENSTA
- M1HEP - Semestre 1 - Electifs hors maquette
Format des notes
Numérique sur 20Littérale/grade américainPour les étudiants du diplôme MScT-Cybersecurity (CyS)
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 4 ECTS
Pour les étudiants du diplôme M1 PHYS - Physique
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 HEP - Physique des Hautes Energies
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme AUDITEURS - IP Paris
Le rattrapage est autorisé (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 10
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 Mech - Mécanique
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 3 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 IGD - Interaction, graphisme et design
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 IGD - Interaction, graphisme et design
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 DataAI - Données et intelligence artificielle
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 DataAI - Données et intelligence artificielle
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 EN - Énergie
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 Cyber - Cybersecurité
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 Cyber - Cybersecurité
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme MScT-Visual Computing and Creative AI
Le rattrapage est autorisé (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 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 (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 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 (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 10
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 CPS - Système Cyber Physique
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme MScT-Artificial Intelligence and Advanced Visual Computing
Le rattrapage est autorisé (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 10
- 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 (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 10
- 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 (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 10
- 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 (Max entre les deux notes)- le rattrapage est obligatoire si :
- Note initiale < 10
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 10
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 MPRI - Fondements de l'Informatique
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 CPS - Système Cyber Physique
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
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