Introduction au deep learning 2022

ECTS

SEMESTRE

CM

TD

TP

EI

Travail personnel

7h

14h

0h

0h

10h

Langues d'enseignement

Français

Responsable(s)

Mots clefs

Intelligence artificielle, réseaux de neurones profonds

Prérequis

Introduction à l'apprentissage automatique, programmation en python

Ce cours présente les connaissances théoriques et pratiques sur l'apprentissage profond et son utilisation.

Dans ce cours, nous apprenons à créer un modèle profond et nous étudions l'effet de différents paramètres sur la qualité des performances du modèle.

Chaque séance contient une heure de cours (cours + discussion sur les difficultés du TD précédent) plus deux heures de TDs.

Les TDs sont basés sur la construction de différents modèles de deep learning en utilisant le langage de programmation python.

En cours:

Bases de l'apprentissage profond et des réseaux de neurones

• Introduction à la notion d'apprentissage profond

• Rappels sur les réseaux de neurones

• Forward propagation

• Fonctions d'activation

• Réseaux profonds

• Forward propagation dans un réseau profond

Optimisation d'un réseau de neurones avec rétropropagation du gradient

• Le besoin d'optimisation

• Calcul des erreurs du modèle

• Comprendre comment les poids du réseau modifient la précision du modèle

• Notion de descente de gradient

• Rétropropagation (“backward propagation”)

• La relation entre “forward” and “backward” propagation

En TD :

Construire des modèles d'apprentissage profond avec Keras

• Création d'un modèle Keras

• Compilation et apprentissage du modèle

• Modèles de classification et compréhension des données de classification

• Utilisation des modèles

Fine-tuning des modèles avec Keras

• Comprendre l'optimisation du modèle

• Validation du modèle

• Passer aux données images

Niveaux

Description et verbes opérationnels

Connaître 

Connaître les différents modèles d'apprentissage profond et savoir quel modèle utiliser pour quel problème et quel type de données.

Comprendre

Comprendre le fonctionnement des différents modèles et de leurs composants.

Appliquer 

Appliquer les différents modèles sur les données complexes (image, texte, ...).

Analyser 

Analyser les résultats obtenus et les interpréter.

Synthétiser

Synthétiser les connaissances acquises sur les modèles de deep learning afin d'être capable d'expliquer les principes communs et les différences entre modèles.

Évaluer

Évaluer la pertinence et la qualité d'un modèle sur un problème donné et le comparer avec d'autre solutions.

Contrôle Continu

Examen écrit

Oral / Soutenance

Rapport / Projet