v2.11.0 (5679)

Enseignement scientifique & technique - CSC_52087_EP : Advanced Deep Learning

Descriptif

Deep Learning a révolutionné le domaine de l'intelligence artificielle et est devenu un outil essentiel dans de nombreuses applications, telles que la vision par ordinateur, le traitement du langage naturel, l'apprentissage de la représentation graphique et la reconnaissance vocale. Le domaine de Deep Learning est toujours en constante évolution avec de nouvelles techniques et architectures développées à un rythme effréné. Dans ce contexte, il est essentiel pour les aspirants praticiens de l'apprentissage profond de se tenir au courant des dernières avancées dans le domaine.

La classe sera évaluée avec une combinaison de devoirs, de projets d'équipe et d'un défi étudiant. Plus de détails plus tard.

 

La langue principale du cours est l'anglais.

Objectifs pédagogiques

L'objectif principal de ce cours est d'initier les étudiants aux principes avancés de Deep Learning, y compris les fondements mathématiques, la conception d'architecture et les applications pratiques. Ce cours est particulièrement pertinent compte tenu de l'état actuel du marché du travail, où les compétences d'apprentissage en profondeur sont très demandées dans de nombreux secteurs, notamment la technologie, la finance, la santé et le divertissement.

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme Master M2 - Data & Artificial Intelligence

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 5 ECTS

Pour les étudiants du diplôme Master M1 - Data and Artificial Intelligence

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 5 ECTS

Programme détaillé

  • Réseaux Antagonistes Génératifs
  • Attetnion et Transformateurs
  • Apprentissage par Représentation Graphique
  • Réseaux de Neurones en Graphes
  • Recherche Automatique d'Architecture Neuronale
  • Interdisciplinaire : Vision & Langage
  • Interdisciplinaire : Applications Biologiques
  • Interdisciplinaire : Applications aux Séries Temporelles

Mots clés

Deep Learning, Transformateurs, Vision par ordinateur, Réseaux de neurones en graphes, LLMs
Veuillez patienter