Programma di studio

• Obiettivi

  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.
• contenuto

  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).

Metodo d'insegnamento e volume di lavoro

Titolo del corso

Metodi di valutazione

• prove in itinere prove scritte, lavori pratici / valuatazione delle relazioni di laboratorio, presentazioni

Metodo di calcolo della nota del corso

La note du contrôle continu est la moyenne pondérée des évaluations du semestre. En cas d'examen de révision, la note finale du cours est la moyenne arithmétique de la note du contrôle continu et de celle de l'examen de révision.

Docente/i e/o coordinatore/i

Jean Hennebert, Philippe Joye