UE INFO : Apprentissage automatique

CONTENT

• Introduction au Deep Learning

  Vue d’ensemble de l’émergence du machine learning — et des réseaux neuronaux en particulier — comme approches dominantes après des décennies de débats, et de leur rôle dans la transformation de l’IA moderne.

• Réseaux Neuronaux et Perceptrons Multicouches

  Du modèle de régression linéaire aux réseaux neuronaux profonds : mise en œuvre d’outils d’IA, entraînement de modèles, fonctions d’activation et de perte, métriques et bonnes pratiques, illustrés par un projet pratique en œnologie.

• Réseaux Neuronaux Convolutifs (CNN)

  Principes de la convolution, architectures CNN, extraction de caractéristiques, domaines d’application clés, et mise en pratique via la classification de chiffres manuscrits (MNIST).

• Réseaux Encodeur/Décodeur

  Autoencodeurs et autoencodeurs variationnels : reconstruction, détection d’anomalies, génération de données et extraction de caractéristiques dans différents domaines.

• Données, Embeddings et Espaces Latents

  Le rôle des données en IA, les défis de représentation, les biais et erreurs, et la manière dont les embeddings et espaces latents améliorent l’apprentissage et la compréhension des modèles.

• Graph Neural Networks
  No description
• Generative Adversarial Networks
  No description
• Réseaux Neuronaux Récurrents (RNN) et Transformers

  RNN, LSTM, GRU, architectures Transformers, mécanismes d’attention, pré-entraînement et fine-tuning de BERT, et innovations émergentes.

• Grands Modèles de Langage (LLMs)

  Origines, pré-entraînement et adaptation, alignement, génération de texte.

• Optimisation de l’Apprentissage (paramètres & métriques)

  Préparation des données, conception de modèles, choix des fonctions de perte et d’optimisation, entraînement, régularisation, réglage d’hyperparamètres, évaluation, robustesse, transfert d’apprentissage et bonnes pratiques.

• Diffusion model
  No description