Ce cours constitue une introduction aux techniques d’apprentissage basées sur les réseaux de neurones artificiels et le Deep Learning. A l’issue de cet enseignement, vous maîtriserez les principes fondamentaux du fonctionnement des réseaux de neurones ainsi que les différentes architectures utilisées, telles que les perceptrons multi-couches, les réseaux convolutifs et les réseaux récurrents. Vous comprendrez les techniques d’apprentissage associées, notamment l’algorithme de rétropropagation du gradient, et saurez concevoir un pipeline de modélisation adapté. Vous serez également en mesure d’utiliser des bibliothèques de Machine Learning spécialisées pour créer, entraîner et optimiser ces modèles. Enfin, vous saurez développer des applications intégrant des réseaux de neurones et évaluer leurs performances avec un regard critique, en tenant compte des limites et des biais éventuels.
Slides (créés par Prof. Andres Perez-Uribe)
- 1. Machine Learning basics (reminder)
- 2. Perceptrons
- 3. Multi-Layer Perceptrons (MLP)
- 4. Neural Networks’ training
- 5. Neural Networks’ monitoring
- 6. Convolutional Neural Networks (CNN)
- 7. From Shallow to Deep Neural Networks
- 8. Convolutional Neural Network Architectures
- 9. Transfer Learning, Embeddings and Meta-Learning
- 10. Deep troubles
- 11. Deep Learning Applications
- 12. Beyond Convolutional Neural Networks