Apprentissage profond

Objectifs

Présenter les différents modèles de réseaux de neurones et leurs applications, en mettant en pratique sur des cas d'étude simples

Plan du cours

- Introduction aux réseaux de neurones

- Perceptron et perceptron multicouches

- Réseaux convolutifs

- Autoencodeurs

- Réseaux récurrents et transformers

- Fine tuning et Transfert Learning

- Introduction aux modèles génératifs

- Graph Neural Networks

Description des TP

Mise en pratique de chaque notion sur des exemples simples. Les squelettes de code sont fournis (PyTorch).

Connaissances requises

Apprentissage supervisé (cours de deuxième année), Analyse de données (cours de première année), Analyse numérique (cours de première année), Programmation Python

RSE (Responsabilité Sociale et Environnementale)

Bibliographie

V Barra, A Cornuejols, L Miclet, Apprentissage artificiel - 4e édition: De Bayes et Hume au Deep Learning. Concepts et algorithmes. Eds. Eyrolles, 2021.

F Fleuret, The little book of Deep Learning, Univ. Genève, 2024 (accesible depuis https://fleuret.org/francois/lbdl.html)

I Goodfellow, Y Bengio, A Courville, Deep Learning, MIT Press 2016 (accessible depuis https://www.deeplearningbook.org/)