Code source wiki de Introduction au deep learning

Modifié par Parisa Rastin le 28/04/2025 - 11:20

version	line-number	content
4.2	1	(% class="relative-table wrapped" style="width:100.0%" %)
	2	\|(% class="highlight-#fff0b3" colspan="11" data-highlight-colour="#fff0b3" rowspan="3" style="text-align:left" title="Couleur d'arrière-plan : Jaune clair 100 %" %)(((
	3	(% style="color:#000080" %)Introduction au deep learning
1.1	4
4.2	5	(% style="color:#000080" %)8KUAEN12
	6	)))\|(% colspan="2" style="text-align:center" %)(((
1.1	7	ECTS
4.2	8	)))\|(% class="highlight-#fff0b3" data-highlight-colour="#fff0b3" style="text-align:center" title="Couleur d'arrière-plan : Jaune clair 100 %" %)(((
	9
	10	)))\|(% colspan="3" style="text-align:center" %)(((
1.1	11	SEMESTRE
4.2	12	)))\|(% class="highlight-#fff0b3" data-highlight-colour="#fff0b3" style="text-align:center" title="Couleur d'arrière-plan : Jaune clair 100 %" %)(((
	13
1.1	14	)))
4.2	15	\|(% style="text-align:center" %)(((
1.1	16	CM
4.2	17	)))\|(% style="text-align:center" %)(((
1.1	18	TD
4.2	19	)))\|(% style="text-align:center" %)(((
1.1	20	TP
4.2	21	)))\|(% style="text-align:center" %)(((
1.1	22	EI
4.2	23	)))\|(% colspan="3" style="text-align:center" %)(((
1.1	24	Travail personnel
	25	)))
4.2	26	\|(% style="text-align:center" %)(((
2.1	27	7h
4.2	28	)))\|(% style="text-align:center" %)(((
2.1	29	14h
4.2	30	)))\|(% style="text-align:center" %)(((
1.1	31	0h
4.2	32	)))\|(% style="text-align:center" %)(((
1.1	33	0h
4.2	34	)))\|(% colspan="3" style="text-align:center" %)(((
2.1	35	10h
1.1	36	)))
	37	\|(% colspan="2" %)(((
	38	Langues d'enseignement
	39	)))\|(% colspan="9" %)(((
5.2	40	Français/Anglais
1.1	41	)))\|(% colspan="7" rowspan="2" %)(((
4.2	42
1.1	43	)))
	44	\|(((
	45	Responsable(s)
	46	)))\|(% colspan="10" %)(((
	47	(% class="content-wrapper" %)
	48	(((
4.2	49	[[Parisa Rastin>>mailto:parisa.rastin@univ-lorraine.fr\|\|shape="rect"]][[~[~[image:url:https://play-lh.googleusercontent.com/kMofEFLjobZy_bCuaiDogzBcUT-dz3BBbOrIEjJ-hqOabjK8ieuevGe6wlTD15QzOqw~\|~\|width="16" class="KAlRDb n3VNCb"~]~]>>url:https://www.linkedin.com/in/parisa-rastin-b1675474/\|\|shape="rect"]][[~[~[image:attach:index.png~\|~\|thumbnail="true" width="16"~]~]>>url:https://www.researchgate.net/profile/Parisa-Rastin\|\|shape="rect"]]
1.1	50	)))
	51	)))
	52	\|(((
	53	Mots clefs
	54	)))\|(% colspan="17" %)(((
4.2	55	===== (% style="color:#000000" %)Intelligence artificielle, réseaux de neurones profonds(%%) =====
1.1	56	)))
	57	\|(((
	58	Prérequis
	59	)))\|(% colspan="17" %)(((
4.2	60	===== (% style="color:#000000" %)Introduction à l'apprentissage automatique, programmation en python(%%) =====
1.1	61	)))
4.2	62	\|(% class="highlight-#c1c7d0" colspan="18" data-highlight-colour="#c1c7d0" title="Couleur d'arrière-plan : Gris moyen 45 %" %)(((
	63	Objectif pédagogique
1.1	64	)))
4.31	65	\|(% colspan="18" %)Ce cours présente les connaissances théoriques et pratiques sur l'apprentissage profond et son utilisation. Dans ce cadre, nous apprendrons à créer des modèles profonds et à étudier l'impact de différents paramètres sur la qualité des performances des modèles.
4.2	66	\|(% class="highlight-#c1c7d0" colspan="18" data-highlight-colour="#c1c7d0" title="Couleur d'arrière-plan : Gris moyen 45 %" %)(((
	67	Organisation et contenus
1.1	68	)))
	69	\|(% colspan="18" %)(((
4.31	70	Chaque séance comprend une heure de cours (cours + discussion sur les difficultés du TD précédent) ainsi que deux heures de TD.
2.1	71
4.31	72	Les TD sont basés sur la construction de différents modèles de deep learning en utilisant le langage de programmation Python.
2.1	73
	74
4.2	75	En cours :
2.1	76
4.14	77	=== Introduction au Deep Learning ===
2.1	78
4.5	79	* Comprendre les principes fondamentaux du Deep Learning.
	80	* Se familiariser avec les concepts clés des réseaux de neurones et des architectures profondes.
	81	* Appréhender les applications concrètes et les enjeux de cette technologie.
2.1	82
4.14	83	Les Concepts de Base du Deep Learning
2.1	84
4.11	85	* Les Réseaux de Neurones Artificiels (couche d'entrée, couches cachées, couche de sortie, fonctions d'activation)
4.19	86	* Architecture des Réseaux de Neurones Profonds (perceptron, MLP, CNN, RNN)
2.1	87
4.16	88	Apprentissage et Optimisation dans le Deep Learning
4.15	89
4.17	90	* Rétropropagation (Backpropagation) et Optimisation
4.18	91	* Problèmes d’optimisation et techniques avancées ( vanishing gradient, overfitting et sous-apprentissage, régularisation et dropout)
4.17	92
4.19	93	Transformers et Generative Models
	94
4.21	95	* Le Modèle Transformer : Architecture et Mécanisme d'Attention
4.23	96	* Prétraitement des Données et Fine-Tuning des Transformers
4.21	97	* Les Modèles Génératifs : GAN et VAE
4.22	98	* Les Modèles de Diffusion
4.19	99
2.1	100	En TD :
	101
4.28	102	* Implémentation d'un réseau neuronal simple avec PyTorch.
	103	* Construction d'un modèle de réseau neuronal pour la classification.
	104	* Entraînement du modèle avec PyTorch.
	105	* Évaluation de la performance du modèle sur des données de test.
	106	* Application de techniques de régularisation sur un réseau pour éviter le sur-apprentissage.
	107	* Optimisation de l’apprentissage avec un scheduler de taux d’apprentissage.
	108	* Déploiement d'un modèle entraîné en ligne pour une application réelle (par exemple, une interface de prédiction de texte ou d’image).
2.1	109
4.26	110	Projet :
2.1	111
4.26	112	Appliquer tout ce qui a été appris dans le cadre d’un projet final.
1.1	113	)))
4.2	114	\|(% class="highlight-#c1c7d0" colspan="18" data-highlight-colour="#c1c7d0" title="Couleur d'arrière-plan : Gris moyen 45 %" %)(((
	115	Compétences
1.1	116	)))
	117	\|(((
4.2	118	(% style="color:#0070c0" %)Niveaux
1.1	119	)))\|(% colspan="17" %)(((
4.2	120	(% style="color:#0070c0" %)Description et verbes opérationnels
1.1	121	)))
	122	\|(((
4.2	123	Connaître(% style="color:#0070c0" %) (%%)
4.29	124	)))\|(% colspan="17" %)Identifier les différents modèles d'apprentissage profond et déterminer le modèle le plus approprié en fonction du problème à résoudre et du type de données disponible.
1.1	125	\|(((
	126	Comprendre
4.29	127	)))\|(% colspan="17" %)Analyser le fonctionnement des modèles et de leurs composants, en comprenant les mécanismes sous-jacents.
1.1	128	\|(((
4.2	129	Appliquer(% style="color:#0070c0" %) (%%)
4.29	130	)))\|(% colspan="17" %)Implémenter les différents modèles sur des ensembles de données complexes, telles que des images, des textes, etc.
1.1	131	\|(((
4.2	132	Analyser(% style="color:#0070c0" %) (%%)
4.29	133	)))\|(% colspan="17" %)Interpréter les résultats obtenus et procéder à une analyse critique de leur validité et de leur pertinence.
1.1	134	\|(% colspan="1" %)(((
	135	Synthétiser
4.29	136	)))\|(% colspan="17" %)Intégrer les connaissances acquises sur les modèles de deep learning, en expliquant les principes communs ainsi que les différences entre les modèles.
1.1	137	\|(% colspan="1" %)(((
	138	Évaluer
4.29	139	)))\|(% colspan="17" %)Juger de la pertinence et de la performance d'un modèle pour un problème donné, en le comparant de manière rigoureuse avec d'autres solutions existantes.
1.1	140	\|(% class="highlight-#c1c7d0" colspan="18" data-highlight-colour="#c1c7d0" %)(((
4.2	141	(% class="kYiyGk sc-14kwckt-9" %)Contributions aux Objectifs de Développement Durable des Nations Unies
1.1	142	)))
	143	\|(% colspan="18" %)(((
	144	(% class="content-wrapper" %)
	145	(((
	146	(% class="wrapped" %)
	147	\|(((
	148	(% class="content-wrapper" %)
	149	(((
	150	(% class="task-list" %)
	151	(((
	152	{{task reference="/Tasks/Task_5" status="InProgress"}}
	153	[[image:attach:image2022-12-5_21-22-41.png\|\|thumbnail="true" width="60"]]
	154	{{/task}}
	155	)))
	156	)))
	157	)))\|(((
	158	(% class="content-wrapper" %)
	159	(((
	160	(% class="task-list" %)
	161	(((
	162	{{task reference="/Tasks/Task_25" status="InProgress"}}
	163	[[image:attach:image2022-12-5_21-23-16.png\|\|thumbnail="true" width="60"]]
	164	{{/task}}
	165	)))
	166	)))
	167	)))\|(((
	168	(% class="content-wrapper" %)
	169	(((
	170	(% class="task-list" %)
	171	(((
	172	{{task reference="/Tasks/Task_26" status="InProgress"}}
	173	[[image:attach:image2022-12-5_21-26-53.png\|\|thumbnail="true" width="60"]]
	174	{{/task}}
	175	)))
	176	)))
	177	)))\|(((
	178	(% class="content-wrapper" %)
	179	(((
	180	(% class="task-list" %)
	181	(((
	182	{{task reference="/Tasks/Task_27" status="InProgress"}}
	183	[[image:attach:image2022-12-5_21-27-10.png\|\|thumbnail="true" width="60"]]
	184	{{/task}}
	185	)))
	186	)))
	187	)))\|(((
	188	(% class="content-wrapper" %)
	189	(((
	190	(% class="task-list" %)
	191	(((
	192	{{task reference="/Tasks/Task_28" status="InProgress"}}
	193	[[image:attach:image2022-12-5_21-27-29.png\|\|thumbnail="true" width="60"]]
	194	{{/task}}
	195	)))
	196	)))
	197	)))\|(% colspan="1" %)(((
	198	(% class="content-wrapper" %)
	199	(((
	200	(% class="task-list" %)
	201	(((
	202	{{task reference="/Tasks/Task_29" status="InProgress"}}
	203	[[image:attach:image2022-12-5_21-27-47.png\|\|thumbnail="true" width="60"]]
	204	{{/task}}
	205	)))
	206	)))
	207	)))\|(% colspan="1" %)(((
	208	(% class="content-wrapper" %)
	209	(((
	210	(% class="task-list" %)
	211	(((
	212	{{task reference="/Tasks/Task_30" status="InProgress"}}
	213	[[image:attach:image2022-12-5_21-29-25.png\|\|thumbnail="true" width="60"]]
	214	{{/task}}
	215	)))
	216	)))
	217	)))\|(% colspan="1" %)(((
	218	(% class="content-wrapper" %)
	219	(((
	220	(% class="task-list" %)
	221	(((
	222	{{task reference="/Tasks/Task_31" status="InProgress"}}
	223	[[image:attach:image2022-12-5_21-29-43.png\|\|thumbnail="true" width="60"]]
	224	{{/task}}
	225	)))
	226	)))
	227	)))\|(% colspan="1" %)(((
	228	(% class="content-wrapper" %)
	229	(((
	230	(% class="task-list" %)
	231	(((
	232	{{task reference="/Tasks/Task_32" status="InProgress"}}
	233	[[image:attach:image2022-12-5_21-34-38.png\|\|thumbnail="true" width="60"]]
	234	{{/task}}
	235	)))
	236	)))
	237	)))
	238	\|(((
	239	(% class="content-wrapper" %)
	240	(((
	241	(% class="task-list" %)
	242	(((
	243	{{task reference="/Tasks/Task_33" status="InProgress"}}
	244	[[image:attach:image2022-12-5_21-30-2.png\|\|thumbnail="true" width="60"]]
	245	{{/task}}
	246	)))
	247	)))
	248	)))\|(((
	249	(% class="content-wrapper" %)
	250	(((
	251	(% class="task-list" %)
	252	(((
	253	{{task reference="/Tasks/Task_34" status="InProgress"}}
	254	[[image:attach:image2022-12-5_21-30-25.png\|\|thumbnail="true" width="60"]]
	255	{{/task}}
	256	)))
	257	)))
	258	)))\|(((
	259	(% class="content-wrapper" %)
	260	(((
	261	(% class="task-list" %)
	262	(((
	263	{{task reference="/Tasks/Task_35" status="InProgress"}}
	264	[[image:attach:image2022-12-5_21-30-51.png\|\|thumbnail="true" width="60"]]
	265	{{/task}}
	266	)))
	267	)))
	268	)))\|(((
	269	(% class="content-wrapper" %)
	270	(((
	271	(% class="task-list" %)
	272	(((
	273	{{task reference="/Tasks/Task_36" status="InProgress"}}
	274	[[image:attach:image2022-12-5_21-31-32.png\|\|thumbnail="true" width="60"]]
	275	{{/task}}
	276	)))
	277	)))
	278	)))\|(((
	279	(% class="content-wrapper" %)
	280	(((
	281	(% class="task-list" %)
	282	(((
	283	{{task reference="/Tasks/Task_37" status="InProgress"}}
	284	[[image:attach:image2022-12-5_21-32-1.png\|\|thumbnail="true" width="60"]]
	285	{{/task}}
	286	)))
	287	)))
	288	)))\|(% colspan="1" %)(((
	289	(% class="content-wrapper" %)
	290	(((
	291	(% class="task-list" %)
	292	(((
	293	{{task reference="/Tasks/Task_38" status="InProgress"}}
	294	[[image:attach:image2022-12-5_21-32-28.png\|\|thumbnail="true" width="60"]]
	295	{{/task}}
	296	)))
	297	)))
	298	)))\|(% colspan="1" %)(((
	299	(% class="content-wrapper" %)
	300	(((
	301	(% class="task-list" %)
	302	(((
	303	{{task reference="/Tasks/Task_39" status="InProgress"}}
	304	[[image:attach:image2022-12-5_21-33-6.png\|\|thumbnail="true" width="60"]]
	305	{{/task}}
	306	)))
	307	)))
	308	)))\|(% colspan="1" %)(((
	309	(% class="content-wrapper" %)
	310	(((
	311	(% class="task-list" %)
	312	(((
	313	{{task reference="/Tasks/Task_40" status="InProgress"}}
	314	[[image:attach:image2022-12-5_21-33-33.png\|\|thumbnail="true" width="60"]]
	315	{{/task}}
	316	)))
	317	)))
	318	)))\|(% colspan="1" %)(((
4.2	319
1.1	320	)))
	321	)))
	322	)))
4.2	323	\|(% class="highlight-#c1c7d0" colspan="18" data-highlight-colour="#c1c7d0" title="Couleur d'arrière-plan : Gris moyen 45 %" %)(((
	324	Modalités de contrôle des connaissances et compétences
1.1	325	)))
	326	\|(((
	327	Contrôle Continu
4.2	328	)))\|(% style="text-align:center" %)(((
1.1	329	(% class="task-list" %)
	330	(((
	331	{{task reference="/Tasks/Task_45" status="InProgress"}}
	332
	333	{{/task}}
	334	)))
	335	)))\|(% colspan="4" %)(((
	336	Examen écrit
4.2	337	)))\|(% colspan="2" style="text-align:center" %)(((
1.1	338	(% class="task-list" %)
	339	(((
2.1	340	{{task reference="/Tasks/Task_46" status="Done"}}
1.1	341
	342	{{/task}}
	343	)))
	344	)))\|(% colspan="3" %)(((
	345	Oral / Soutenance
4.2	346	)))\|(% colspan="2" style="text-align:center" %)(((
1.1	347	(% class="task-list" %)
	348	(((
	349	{{task reference="/Tasks/Task_47" status="InProgress"}}
	350
	351	{{/task}}
	352	)))
	353	)))\|(% colspan="3" %)(((
	354	Rapport / Projet
4.2	355	)))\|(% colspan="2" style="text-align:center" %)(((
1.1	356	(% class="task-list" %)
	357	(((
2.1	358	{{task reference="/Tasks/Task_48" status="Done"}}
1.1	359
	360	{{/task}}
	361	)))
	362	)))

Code source wiki de Introduction au deep learning

Arborescence des pages