Détection, Classification et Apprentissage

Le cours est construit autour de trois activités: - Des cours magistraux qui présentent les principales architectures d'intérêt pour les applications en communications numériques: * Réseaux neuronaux multi-couches; * Réseaux récurrents, LSTM, réseaux récurrents profonds et GRU; * Graph neural networks; * Architecture transformers; * Principe du dépliage profond d'algorithmes; - Une série de travaux pratiques pour pratiquer PyTorch et Sionna pour un problème simple de démodulation souple (Architecture MLP LLRNet). - Des études de cas en groupes (bureau d'études) pour étudier une des architectures vues et appliquée à un domaine particulier des communications numériques comme par exemple: décodage canal par algorithmes itératifs dépliés (modèles RNNs), décodage canal utilisant des architectures type transformer, GNN pour la détection MIMO, architecture ViterbiNet/BCJRNet; classification de formes d'ondes à l'aide spectrogramme (architectures à base de CNN), etc...