Ce cours concerne les réseaux de neurones et en particulier le modèle du perceptron multicouche. On commencera par introduire le modèle du perceptron et en cerner les limites avant d'introduire la notion de transformations non linéaires et de couches cachées. On décrira ensuite l'algorithme de retropropagation qui est au coeur du processus d'apprentissage des réseaux de neurones.
Compétences à acquérir
- Maîtriser la représentation des calculs réalisés par les réseaux de neurones sous la forme de calcul vectoriel - Savoir définir et entraîner un réseau de neurone en utilisant la librairie pytorch
Langue(s) d'enseignement
Français
Bibliographie
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Prérequis obligatoires
- programmation en python - connaissances basiques en probabilités (contenu du cours de deuxième année de licence) - connaissances basiques en algèbre linéaire (vecteurs, matrices, calcul matriciel)
Modalités d'organisation
Le cours se présente sous la forme de séances mélant cours et travaux dirigés durant lesquelles les notions importantes sont introduites et illustrées sur des exercices ainsi que sous la forme de séances de travaux pratiques durant lesquelles les étudiants travaillent sur projets qui leur ont été proposés. Les travaux pratiques seront réalisés en utilisant la bibliothèque pytorch.
