Du Machine Learning au Deep Learning

Résumé

Bbd01

Prochaine session : du 14 au 15 mai 2020*​​​​​​

Objectifs

• Comprendre les enjeux du machine learning et de l’intelligence artificielle
• Connaître les différentes approches d’un problème en machine learning : supervisé/non-supervisé/semisupervisé, régression/classification etc.
• Comprendre les avantages et inconvénients des réseaux de neurones profonds ou larges
• Savoir chiffrer l’empreinte mémoire et la complexité de calcul d’un réseau en phase d’apprentissage ou d’évaluation

Les plus de la formation 

​​​​​​​

• La formation se déroule avec une alternance entre apports théoriques et travaux pratiques.
• Le nombre réduit des participants permet une réelle aide personnalisée dans l’apprentissage.
• Chaque participant reçoit une clé USB comprenant les supports de cours, lui permettant de reprendre les cours et exercices ensuite en autonomie.

 

Nos atouts pédagogiques

L’équipe pédagogique est constituée d’enseignants-chercheurs de l’école Grenoble INP - Phelma et de chercheurs du laboratoire Grenoble Images Parole Signal Automatique (GIPSA Lab). Cette formation s’appuie sur les moyens techniques de l’école Grenoble INP - Phelma.
​​​​​​​

 

Conditions d'admission

Pour qui ?
Cette formation s’adresse à des ingénieurs, chercheurs et techniciens souhaitant connaître les notions essentielles du machine learning et de l’intelligence artificielle et appréhender les différents enjeux associés.

Pré-requis : Connaissances de base en programmation, statistiques (régression, estimateur etc.), ainsi qu’en optimisation mathématique (calcul d’une dérivée, notion de convergence etc.)

Effectif : 4 à 12 personnes

 

Contacts

Programme

1- Apprentissage automatique/statistique (machine learning)

• Astuce du noyau : dualité espace des échantillons/espace des caractéristiques
• Dualité des échantillons par rapport aux caractéristiques (kNN vs SVM)
• Réseaux de neurones : la propagation de l’information, la rétro-propagation de l’erreur

2- Apprentissage au Deep Learning

• Les différents types de réseaux : CNN, RNN, LSTM, ResNet... Les avantages et inconvénients,
les cas typiques d’utilisation...
• Implémentation d’un réseau avec des API haut niveau (Tensorflow, MXNet, Keras, …) : limites d’utilisation
• Chiffrer la complexité de calcul / mémoire