Objectif

Acquérir les connaissances de base, liées à l’apprentissage machine et profond, nécessaires à la résolution des problèmes concrets en ingénierie.

Contenu

Apprentissage machine : définition, différentes tâches (classification, regroupement et régression), extraction et sélection (réduction) des caractéristiques, principaux modèles (réseaux de neurones, machines à vecteurs de support, k-plus proches voisins, k-moyennes, arbres de décision, forêts aléatoires), apprentissage supervisé, non supervisé et par renforcement, méthodes de validation (croisée et holdout), analyse des résultats (matrices de confusion). Apprentissage profond : concepts de base des réseaux de neurones profonds pour la classification; fonctions d’activation; calcul du gradient et rétropropagation de l’erreur, réseau récurrent (MLP) et non-récurrents (RNN, LSTM); réseaux de neurones convolutifs (CNN); augmentation des bases de données; préparation et adaptation des données aux entrées des réseaux de neurones profonds.

Formules pédagogiques

Enseignement magistral, exercices, études de cas, travaux pratiques.