Deep Learning

PF Villard

Plan du cours

Présentation de l'enseignant

Une présentation de l'enseignant se trouve ici

Références

Autres supports

Format du cours

  • Cours en HTML5, CSS3
  • Rédigé en Markdown et compilé par pandoc
  • fonctionnalités supplémentaires :
    • reveal.js présentation dynamique
    • chart.js courbes
    • MathJax équations mathématiques
    • Exercices disponibles avec les fichiers jupyter notebook fournis

Introduction

  • Intelligence artificielle, apprentissages automatique et profond

Introduction

  • Processus d’apprentissage profond supervisé

Objectif du cours

  • Comprendre les bases de
    • La regression linéaire
    • L'apprentissage à base de réseaux de neurones
    • L'apprentissage à base de réseaux de neurones profonds
  • Etre capable d'utiliser un ToolKit d'apprentissage
  • Etre capable d'évaluer la pertinence d'un résultat donné par un toolkit

Problématique de la validation

  • Si tout est codé normalement, un ToolKit donne toujours un résultat
    • Il ne suffit pas d'avoir un code qui compile et qui s'exécute, il faut toujours analyser le résultat !
  • Savoir détecter des problèmes
  • Savoir tester l'efficacité d'un entraînement
  • Eviter les problèmes comme dans cet Exemple (autre article en anglais)

Application concrète

  • A partir de modèles imprimés en 3D
  • Acquisition d'une base de donnée
  • Conception de l'architecture
  • Apprentissage
  • Mise en production dans une appli web

Notation

  • 1 note donnée par Fabien Pierre
  • 1 note lors du TP noté le 31 mars

Fonctionnement du cours

  • Alternance cours / Jupyter Notebook
  • Arborescence:
    • TD1
    • TD2
    • TD3
    • TP
  • Attention pour les Jupyter Notebook:
    • Fichiers sur Arche à mettre dans TP
    • Ordre d'Exécution:
      • X=[0, 2, 0, 15]
      • print(X)
      • X=[5, 8, 9]

Installation

Pour l'installation de l'environnement, consulter ce site.

logo logo // reveal.js plugins