Phelma Formation 2022

Deep learning (SICOM-S9) - 5PMSDL20

  • Volumes horaires

    • CM 6.0
    • Projet 0
    • TD 0
    • Stage 0
    • TP 0
    • DS 0

    Crédits ECTS

    Crédits ECTS 0.0

Objectif(s)

Ce cours est une introduction aux différents concepts de l'apprentissage profond. L'objectif est à la fois d'avoir une vision assez globale de ce domaine dans le peu de temps imparti, et d'aborder les notions et outils qui seront mis en œuvre dans les projets (projet parole et audio et projet image et accélération matérielle).

Contact Laurent GIRIN

Contenu(s)

  • Une première partie (2h) est une introduction à l'apprentissage automatique de réseaux de neurones profonds. Cette introduction fera notamment le lien entre l'apprentissage de modèles linéaires et l'apprentissage de réseaux de neurones artificiels. Certaines notions de ce cours feront écho au cours d'apprentissage automatique du tronc commun SICOM.
  • La deuxième partie (2h) est axée sur les modèles de réseaux de neurones profonds couramment utilisés en traitement d'image, parole et audio notamment (FF-DNNs, CNNs, RNNs, CRNNs, etc.).
  • La troisième partie (2h) illustre l'utilisation de l'apprentissage profond en traitement des signaux acoustiques (parole et audio) et en traitement d'image, et servira d'introduction au projet parole et audio et au projet image et accélération matérielle qui utiliseront ces techniques.


Prérequis
  • Connaissances fondamentales en probabilités et statistiques
  • Connaissances fondamentales en traitement du signal et traitement de l'information

Contrôle des connaissances

Semestre 9 - L'examen existe uniquement en anglais 

Pas d'évaluation pour ce cours. Seuls les projets accompagnant le cours seront évalués.



Cet enseignement n'est pas noté. La note est celle des Projets Audio ou Projets accélération matérielle qui accompagnent le cours.

Informations complémentaires

Semestre 9 - Le cours est donné uniquement en anglais EN

Cursus ingénieur->Filières->Semestre 9
Cursus ingénieur->Double-Diplômes Ingénieur/Master->Semestre 9

Bibliographie

Christopher Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
Yann LeCun, Yoshua Bengio and Geoffrey Hinton, Deep learning. Nature, 521(7553), 436, 2015.