logo
2.12.13 (653)

Enseignement scientifique & technique - CSC_51054_EP : Apprentissage profond

Descriptif

Nous sommes entrés dans l’ère du Big Data, où l’explosion des données dans des domaines variés – des sciences et de l’ingénierie à la santé, la finance ou encore les sciences sociales – soulève des défis inédits mais aussi d’immenses opportunités. L’un des enjeux majeurs consiste à exploiter cette masse d’informations pour extraire des connaissances utiles et concevoir des services intelligents. Dans ce contexte, **l’apprentissage profond** s’impose comme un paradigme révolutionnaire, capable de modéliser des structures complexes et d’apprendre des représentations riches directement à partir des données brutes. S’appuyant sur des architectures avancées – telles que les **réseaux convolutifs, les Transformers et les modèles préentraînés à grande échelle** – le Deep Learning permet des avancées majeures dans des domaines comme la **vision par ordinateur, le traitement du langage naturel, la génération de données, la bio-informatique ou encore l’apprentissage sur graphes**. Ce cours explore les fondements théoriques et techniques de l’apprentissage profond ainsi que ses applications concrètes pour résoudre des problèmes complexes à grande échelle.

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme M1 IGD - Interaction, Graphics and Design

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

Pour les étudiants du diplôme M2 DATAAI - Data and Artificial Intelligence

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

Pour les étudiants du diplôme M2 IGD - Interaction, Graphics and Design

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

Pour les étudiants du diplôme M1 Cyber - Cybersecurity

Pour les étudiants du diplôme M2 Cyber - Cybersecurity

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 10
    • Crédits ECTS acquis : 5 ECTS

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

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

    Programme détaillé

    Programme détaillé du cours : (des changements mineurs peuvent se produire pendant le déroulement du cours) **Introduction générale à l'apprentissage machine** - Paradigmes d'apprentissage machine - Pipelines d'apprentissage machine **Apprentissage supervisé** - Méthodes génératives et non génératives - Classification naïve bayésienne - Méthode basée sur l'utilisation d'un arbre de décision **Apprentissage non supervisé** - Réduction dimensionnelle - Regroupement **Concepts avancés d'apprentissage machine** - Régularisation - Sélection de modèles - Sélection de caractéristiques - Méthodes d'ensemble **Kernels** - Introduction aux kernels - Machines à vecteurs de support **Réseaux de neurones** - Introduction aux réseaux de neurones - Perceptrons et rétropropagation du gradient **Apprentissage profond I** - Réseaux de neurones conventionnels - Réseaux de neurones récurrents - Applications **Apprentissage profond II** - Traitement automatique des langues moderne - Apprentissage profond non supervisé - Intégrations, auto-encodeurs, réseaux antagonistes génératifs **Apprentissage par renforcement**

    Mots clés

    apprentissage machine, apprentissage profond, intelligence artificielle, réseau de neurones graphiques
    Veuillez patienter