Deep Learning

Objectifs

Ce cours est consacré aux architectures de réseaux neuronaux (RN) et à leur extension connue sous le nom d’apprentissage profond. Au préalable, l’algorithme de descente de gradient stochastique et la rétropropagation – son application aux réseaux neuronaux feedforward – sont introduits pour être ensuite utilisés comme base d’apprentissage. Vient ensuite l’étude des architectures de réseaux neuronaux les plus répandues pour la régression et la classification. Parmi celles-ci, les réseaux neuronaux convolutifs (CNN) sont étudiés en détail, ainsi que d’autres structures telles que les auto-encodeurs. D’autres aspects pratiques seront abordés concernant l’utilisation de l’apprentissage profond pour résoudre des problèmes typiques tels que la reconnaissance de formes ou la détection/le suivi d’objets. Le matériel présenté sera motivé par le contexte théorique avec des illustrations de données réelles. Il y aura des laboratoires spécifiques pour chaque sujet en R et Python.

Plan

– Introduction au deep learning.rn- Architectures des réseaux neuronaux.rn- Descente stochastique du gradient et algorithme de rétropropagation.rn- Réseaux neuronaux pour la régression et la classification.rn- Réseaux neuronaux convolutifs.rn- Applications : reconnaissance de formes, détection d’objets, résolution de problèmes inverses.

Prérequis

Analyse de régression, descente de gradient, algèbre (matricielle), R, Python (bases).