Du machine learning au deep learning

Comprendre les enjeux du machine learning et de l'intelligence artificielle Connaître les différentes approches d'un problème en machine learning : supervisé on-supervisé/semisupervisé, régression/classification etc. Comprendre les avantages et inconvénients des réseaux de neurones profonds ou larges Savoir chiffrer l'empreinte mémoire et la complexité de calcul d'un réseau en phase d'apprentissage ou d'évaluation

1- Apprentissage automatique/statistique (machine learning) • Astuce du noyau : dualité espace des échantillons/espace des caractéristiques • Dualité des échantillons par rapport aux caractéristiques (kNN vs SVM) • Réseaux de neurones : la propagation de l'information, la rétro-propagation de l'erreur 2- Apprentissage au Deep Learning • Les différents types de réseaux : CNN, RNN, LSTM, ResNet... Les avantages et inconvénients, les cas typiques d'utilisation... • Implémentation d'un réseau avec des API haut niveau (Tensorflow, MXNet, Keras, …) : limites d'utilisation • Chiffrer la complexité de calcul / mémoire

Attestation de formation

Connaissances de base en programmation, statistiques (regression, estimateur etc.), ainsi qu en optimisation mathematique (calcul d une derivee, notion de convergence etc.)