Acquérir des connaissances fondamentales et appliquées des réseaux de neurones et de l'apprentissage profond. Maîtriser l'élaboration d'architectures complexes, leurs configurations et la sélection des unités/modules appropriés selon le contexte.
Présentations des principes théoriques du fonctionnement des neurones artificielles. Techniques et méthodologies liées à l'entraînement des réseaux. Techniques du gradient et optimiseurs (SGD, Adam, RMSProp, Adagrad). Fonctions d'activation et hyperparamètres. Principales architectures de CNN, RNN, GAN, AE, etc. Unités et modules spécialisés pooling, attention, transformeur, réservoir, LSTM, GRU. Autoapprentissage et espaces latents. Modélisation des données complexes pour les réseaux de neurones. Optimisation des hyperparamètres et évaluation des modèles entraînés. Principales librairies pour l'apprentissage profond : Pytorch, Keras/Tensorflow ou autre.
Formule pédagogique : Cours Magistral
Ce cours n'est dans aucun programme ouvert aux admissions.