Deep Learning
- Durée : 6 semaines
- Effort : 18 heures
- Rythme: ~3 heures/semaine
Ce que vous allez apprendre
À la fin de ce cours, vous saurez :
- Appréhender le fonctionnement et l’apprentissage des réseaux de neurones profonds, ainsi que l’importance de la convolution, les raisons historiques de leur succès récent, ainsi que les évolutions récentes du domaine,
- Maîtriser les enjeux pour le déploiement massifs des algorithmes de deep learning, ainsi que les outils logiciels modernes
- Appliquer les méthodes de deep learning avec peu de données d’apprentissage, et comprendrez les questions ouvertes actuelles.
Description
Vous êtes passionnés d’intelligence artificielle, et attirés par les succès spectaculaires récemment obtenus par le « deep learning » (reconnaissance vocale, classification d’image, jeu de GO, etc) : ce cours est pour vous !
Ce cours présente les réseaux de neurones profonds, qui constituent les fondements du « deep learning», et leur utilisation pour des problèmes de reconnaissance et classification de données. Un accent particulier sera porté aux données pauvres en sémantique comme les images.
Format
Chaque module se compose de 5 à 6 séquences vidéos, de 10 minutes chacune en moyenne, suivies d'une ou deux questions qui permettent aux apprenants de faire le point sur leurs acquis.
Le professeur parle en français sur des supports de cours anglais.
Pour chaque séquence, des discussions sont ouvertes sur le forum. Les retours hebdomadaires aux principales questions posées sur les forums se feront en direct par webconférence.
Les inscrits auront accès à tous les contenus (vidéos, documents et quizz) dès l’ouverture du cours et conserveront l’accès même après sa fermeture.
Prérequis
Ce cours requiert des connaissances de bases en calcul différentiel et en statistiques, de niveau premier cycle universitaire scientifique.
Evaluation et Certification
Des épreuves hebdomadaires et une épreuve terminale de type QCM.
Plan de cours
- - Introduction and Context
- The Formal Neuron
- Neural Networks
- Supervised Machine Learning.
- Gradient Error Backpropagation Algorithm
- Training Issues
- - Introduction to Convolutionnal Neural Networks
- Convolution
- Convolution Properties
- Pooling
- Convolution Layer
- Convolution Hierarchies and Convolutional Neural Networks
- - Modeling Capacities
- Representation Learning with ConvNets
- Manifold Untangling and Visualization
- Deep Learning Weaknesses
- Success Deep Learning History
- Deep Learning Winter History
- - Deep Learning Renewal
- Modern Convolutional Neural Network Modules
- Modern Training and Regularization
- Modern Convolutional Neural Network Architectures
- Residual Architectures
- Other Modern Deep Learning Components
- - Optimization Issues
- Advanced Optimization
- Implementations Issues
- Deep Learning Resources
- Deep Learning Resources: Keras
- - Deep Features
- Transfer Learning
- Localization and Segmentation
- Unsupervised Learning
- Vision and Langage
- Deep Learning Theory
Équipe pédagogique
NICOLAS THOME
Catégories
professeur des universités au Conservatoire national des arts et métiers, et chercheur au laboratoire CEDRIC dans l’équipe MSDMA
Établissements
L'équipe de production
 |
|