Study program

• Objectives

  À la fin de ce module, les étudiants auront acquis les compétences suivantes :

  • Compréhension des architectures : Assimiler les concepts des réseaux de neurones, des structures simples (shallow) aux structures profondes (deep), incluant les réseaux convolutionnels et récurrents.
  • Maîtrise de l'entraînement et de l'évaluation : Comprendre et appliquer les méthodes pour entraîner efficacement les réseaux, notamment via les fonctions de perte (loss functions), la rétropropagation (backpropagation) et la régularisation.
  • Apprentissage de représentation : Saisir les avantages de la profondeur des réseaux et de l'apprentissage de représentations.
  • Compétences techniques : Développer la capacité de construire et d'entraîner des modèles au sein de frameworks standards tels que TensorFlow / Keras ou PyTorch.
• Content

  Le programme est structuré en trois chapitres principaux couvrant la théorie et les stratégies d'optimisation :

  • Chapitre 1 : Descente de gradient ; Introduction au Deep Learning et graphes de calcul; Modèles simples (réseaux denses), descente de gradient et méthode de régularisation de l'entraînement; Régression et classification sur des données tabulaires.
  • Chapitre 2 : Réseaux de neurones convolutionnels (CNN);Classification d'images et caractéristiques hiérarchiques.; Concepts techniques : Dropout, striding, padding, augmentation de données et transfert d'apprentissage.
  • Chapitre 3 : Réseaux de neurones récurrents (RNN);Modèles RNN simples, LSTM et Seq2seq.; Plongements de mots (Word embeddings).
  • Sujets transversaux : Fonctions de perte, stratégies d'entraînement, optimisation et applications variées (images, séries temporelles, texte).

Type of teaching and workload

Course specification

Evaluation methods

• Continuous assessment Written work, Practical exercises / Evaluated reports, Presentations

Course grade calculation method

The continuous assessment mark corresponds to the weighted average of all of the semester's exams. In case of a revision exam, the course's final mark corresponds to the arithmetic average of the continuous assessment and the revision exam marks.

Intructor(s) and/or coordinator(s)

Jean Hennebert, Philippe Joye