APPRENTISSAGE ET DECISION

Ce cours se décompose en deux parties indépendantes : les processus gaussiens et le transport optimal. Pour chacune de ces parties, deux cours magistraux suivis d’un TD permettrons d’introduire les outils et de les manipuler, puis deux TPs permettront de mettre en pratique les outils proposés pour l’analyse de données. L’évaluation de cette matière se fera au moyen d'un dernier TP noté et d'un examen.

Voir la page complète

Le cours comprend 6 séances de cours magirstraux où sont exposé plusieurs techniques d’apprentissage non-supervisé, et 7 séances de travaux pratiques (dont 3 en autonomie) permettant de mettre en œuvre ces techniques. Dans la première partie du cours, sont étudiées deux techniques de partitionnement classiques, à savoir l’algorithme de k-moyennes, et la classification probabiliste par apprentissage d’un modèle de mélange gaussien. Ensuite, nous introduisons les autoencodeurs, et enfin quatre modèles génératifs basés sur l’apprentissage profond : les réseaux antagonistes génératifs (GAN), les normalizing flows (NF), les autoencodeurs variationnels (VAE) et les modèles de diffusion (DM).

Voir la page complète

- Programme Détaillé:

• Module 1 : Introduction à l’Apprentissage Supervisé en deep learning

• Module 2 : Modèles Linéaires pour la Régression et la Classification

• Module 3 : Réseaux de Neurones profonds (MLP) et Convolutifs (CNN)

• Module 4 : U-Net pour la Segmentation d’Images

• Module 5 : Mécanismes d’Attention et Transformers

Voir la page complète