v2.11.0 (5776)

Enseignement scientifique & technique - IMA205 : Apprentissage pour l'image et la reconnaissance d'objets

Domaine > Image-Données-Signal.

Descriptif

Ce cours présente les techniques principales de machine learning pour l'analyse d'images. Plus précisément :

- Introduction à l'apprentissage non supervisé ("curse of dimensionality", ACP, ACI, NNMF)
- Introduction à l'apprentissage supervisé (overfitting, OLS, Ridge, LASSO, LDA, QDA)
- SVM (Séparateur à vaste marge)
- Arbres de décision et forêts aléatoires
- Apprentissage ensembliste 
- Réseaux de neurones articifiels (ANNs)
- Réseaux de neurones convolutif (CNNs)

Objectifs pédagogiques

- Apprendre les principes et hypothèses sous-jacentes aux différentes méthodes d'apprentissage

- Comprendre les avantages et les inconvénients de chaque méthode

- Apprendre à les utiliser sur des données réelles et de grande dimension

Pour les étudiants du diplôme Diplôme d'ingénieur

Cours de base en statistiques et algèbre linéaire (MDI103, MDI104, MDI 113, MDI114 ou cours équivalents)

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Echange international non diplomant

Vos modalités d'acquisition :

1er cours et TP obligatoires

TP et Challenge

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

Pour les étudiants du diplôme Diplôme d'ingénieur

Vos modalités d'acquisition :

1er cours et TP obligatoires

TP et Challenge

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

La note obtenue rentre dans le calcul de votre GPA.

Programme détaillé

- Introduction à l'apprentissage non supervisé ("curse of dimensionality", ACP, ACI, NNMF)

- Introduction à l'apprentissage supervisé (overfitting, OLS, Ridge, LASSO, LDA, QDA)

- SVM (Séparateur à vaste marge)

- Arbres de décision et forêts aléatoires

- Apprentissage ensembliste 

- Réseaux de neurones articifiels (ANNs)

- Réseaux de neurones convolutif (CNNs)

Mots clés

Apprentissage, apprentissage profond, grandes masses de données, forêts aléatoires, réseaux de neurones (ANN et CNN)

Méthodes pédagogiques

Cours, TP and Challenge
Veuillez patienter