Enseignants: Patrick Gallinari
Cette UE vise à aborder les concepts suivants:
- Introduction au deep learning: Cours, TD & TP autour des architectures de l’état de l’art.
- Architectures de réseaux de neurones profonds
- Réseaux à convolution, réseaux récurrents
- Modèles d’attention
- Graphes de calcul et auto-différentiation
- Formation aux outils de l’état de l’art: pytorch & tensor flow
- Approfondissement des concepts fondateurs du machine learning
- Théorie de l’apprentissage statistique, capacité de généralisation, dilemme biais-variance, PAC, complexité d’apprentissage ,etc…
- Apprentissage Supervisé : Classification, Réseaux de Neurones, Machines à vecteurs de support, Méthodes à noyaux, processus Gaussiens, etc…
- Optimisation
- Apprentissage non supervisé : Clustering, Factorisation matricielle, Modèles à variables latentes (mélanges, etc)
- Autre paradigmes d’apprentissage :
- Apprentissage faiblement supervisé, Apprentissage semi-supervisé et transductif, Apprentissage actif,
- Transfer Learning
- Apprentissage et données structurées : Séquences et arbres, Graphes et données inter-dépendantes.
Lien vers le site de l'unité d'enseignement.