Apprentissage profond
Objectif
Acquérir des connaissances fondamentales et appliquées des réseaux de neurones et de l'apprentissage profond. Maîtriser l'élaboration d'architectures complexes, leurs configurations et la sélection des unités/modules appropriés selon le contexte.
Contenu
Présentation des principes théoriques du fonctionnement des neurones artificielles. Techniques et méthodologies liées à l'entraînement des réseaux. Techniques du gradient et optimiseurs (SGD, Adam, RMSProp, Adagrad). Fonctions d'activation et hyperparamètres. Principales architectures de CNN, RNN, GAN, AE, etc. Unités et modules spécialisés pooling, attention, transformeur, réservoir, LSTM, GRU. Autoapprentissage et espaces latents. Modélisation des données complexes pour les réseaux de neurones. Optimisation des hyperparamètres et évaluation des modèles entraînés. Principales librairies pour l'apprentissage profond : Pytorch, Keras/Tensorflow ou autre.
Mode(s) de prestation
- Présence
- Vidéoconférence
Pour confirmer le ou les modes d’enseignement disponibles pour une session donnée, veuillez vous référer à l’horaire du cours ci-bas.
Type de notation
- Régulier 2ième et 3ième cycle
Formules pédagogiques
Enseignement magistral
Préalable(s)
8INF867 ou 8INF919