v2.8.0 (4329)

Enseignement scientifique & technique - IA306 : Deep learning I

Descriptif

Teachers Geo roy Peeters, Alasdair Newson (Telecom Paris, IP-Paris)
Abstract Deep Learning (machine learning based on deep arti cial neural
networks) has become extremely popular over the last years due to the very
good results it allows for tasks such as regression, classi cation or genera-
tion. The objective of this course is to provide a theoretical understanding
and a practical usage of the three main types of networks (Multi-Layer-
Perceptron, Recurrent-Neural-Network and Convolutional Neural Network).
The content of this course ranges from the perceptron to the generation of
adversarial images. Each theoretical lecture is followed by a practical lab on
the corresponding content where student learn to implement these networks
using the currently three popular frameworks: pytorch, tensor
ow and keras.
Format : 6 sessions of 4 hours + Exam
Grading : 30% labs/project + 70% written exam

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Programme de mobilité des établissements français partenaires

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Data Science

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Echange international non diplomant

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Data & Artificial Intelligence

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Diplôme d'ingénieur

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS
  • Crédit d'Option 3A acquis : 2.5

La note obtenue rentre dans le calcul de votre GPA.

Veuillez patienter