FONDEMENT DE L'IA

Voir la page complète

Cette matière se décline sous la forme d’une séance de cours (CM) suivie de trois séances de cours-TP (CTP) combinant l’exposition des concepts à des exemples pratiques sur jupyter. La séance CM fournit les éléments de base pour comprendre l’apprentissage automatique (données, hypothèses, risque statistique, risque empirique, fonction de perte, ...), et en particulier le paradigme d’apprentissage supervisé, sur lequel se focalise ce cours. Ensuite, la première séance CTP permet la prise en main de numpy avec une implémentation d’une couche classique (MLP) d’un modèle d’apprentissage profond (réseau de neurones), et de son entraînement. Le deuxième CTP se focalise sur l’entraînement d’un modèle profond, les techniques de régularisation et leur lien avec la capacité de généralisation du modèle. Nous introduisons dans le troisième CTP les réseaux de neurones convolutifs (CNN) et leur motivation, ainsi que leur implémentation en pytorch.

Voir la page complète

Plan du cours

·         chaînes de Markov

·         estimation bayésienne

·         modèles de régression

Voir la page complète

Plan du cours

·         algorithme expectation-maximization

·         algorithmes de Monte Carlo

·         approximation variationnelle

Voir la page complète