Nature UE
Crédits ECTS 3
Volume horaire total 30
Volume horaire CM 12
Volume horaire TP 18

Pré-requis

• Bases de Mathématiques appliquées (probabilités, statistiques, optimisation) • Bases de programmation Python et d’algorithmie

Objectifs

Apprentissage : • Introduction à l’apprentissage • Classification Bayésienne • Distributions normales • Méthodes non paramétriques Réseaux de neurones et Deep Learning : • Réseaux de neurones artificiels et perceptrons • Rétropropagation • Réseaux convolutifs de classification et détection • Réseaux de neurones récurrents • Sessions pratiques avec TensorFlow : - Classification par perceptron multi-couches - Classification par réseau de neurones convolutif - Détection - Réseaux récurrents

Contenu

Apprentissage des méthodes de Machine Learning et plus spécifiquement des réseaux de neurones.

Appartient à

Informations complémentaires

Apprentissage : • Introduction à l’apprentissage • Classification Bayésienne • Distributions normales • Méthodes non paramétriques Réseaux de neurones et Deep Learning : • Réseaux de neurones artificiels et perceptrons • Rétropropagation • Réseaux convolutifs de classification et détection • Réseaux de neurones récurrents • Sessions pratiques avec TensorFlow : - Classification par perceptron multi-couches - Classification par réseau de neurones convolutif - Détection - Réseaux récurrents