Apprentissage profond (Deep learning)
Durée
45 hObjectifs
Ce cours s’adresse aux passionnés de technologies de pointe. Le cours a pour but de donner aux étudiants la capacité de programmer des algorithmes d’apprentissage profond (« deep learning ») et de se familiariser avec les concepts logiques et mathématiques. Les librairies utilisées seront Keras et Scikit learn. Il sera question de perceptron et de perceptron multicouche, d’algorithmes d’arbres de décision, de forêts aléatoires, de réseaux de neurones convolutionnels, récurrents, et à décharge. Il sera également question de parallélisation des calculs. Le cours s’adresse à des programmeurs déjà familiarisés avec le langage Python et l’apprentissage machine. Le tout, dans un contexte applicable spécialement dans une entreprise et par un non-spécialiste de l’IA.Contenu
Cours 1: Survol du cours et discussions
- Qu’est-ce que l’apprentissage profond (deep learning ou DL)
- Courte histoire du DL
- Quels problèmes résoudre avec le DL?
- Survol du cours.
- Questions et discussions
Cours 2: Les réseau de neurones
- Réseau de neurones biologiques
- Le neurone artificiel
- Le perceptron
Cours 3: Le perceptron multicouche (MLP)
- Concept du MLP
- Programmation d’une MLP
Cours 4: RNA avec Keras
- Présentation de la librairie Keras
- Programmation d’un simple RNA avec Keras
Cours 5: Les Réseaux de neurones convolutionnels (CNN)
- Principe de convolution
- Programmation d’un CNN avec Keras
Cours 6: Les Réseaux de neurones convolutionnels (CNN) (suite)
- Suite des principes et de la programmation de CNN.
Cours 7: Les réseaux de neurones récurrents (RNN)
- Le principe de LTSM
- Programmation d’un RNN avec Keras.
Cours 8: Les réseaux de neurones récurrents (RNN) (Suite)
- Suite des principes et de la programmation de RNN.
Cours 9: Autres types de RNA
- Les réseaux de neurones à décharge (SNN)
- Les auto-encodeurs
- Les Restricted Bolzmann Machine (RBM)
- Les Deep Beliefs Machine (DBM)
- Les Réseaux Antagonistes Génératifs (GAN)
Cours 10 à 15: Projets
Programmation d’un projet personnel
Stratégie pédagogique
Présentations magistrales des sujets par l’enseignant. Exercices pratiques.
Clientèle visée
Toutes personne ayant suivi le cours d’initiation au langage Python.
Préalable(s)
Le cours d’initiation au langage Python.