...
Introduction au deep learning 8KUAEN12 | 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 | ||||||||||||||||||||||||||||||||||
Objectif pédagogique | |||||||||||||||||||||||||||||||||||
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. | |||||||||||||||||||||||||||||||||||
Organisation et contenus | |||||||||||||||||||||||||||||||||||
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 | |||||||||||||||||||||||||||||||||||
Compétences | |||||||||||||||||||||||||||||||||||
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. | ||||||||||||||||||||||||||||||||||
Contributions aux Objectifs de Développement Durable des Nations Unies | |||||||||||||||||||||||||||||||||||
Modalités de contrôle des connaissances et compétences | |||||||||||||||||||||||||||||||||||
Contrôle Continu | Examen écrit | Oral / Soutenance | Rapport / Projet |
...