Réseaux de neurones et deep learning - WPMGRNL2

Objectif(s)

Ce cours est destiné à fournir les bases nécessaires à la compréhension, l'analyse et la conception des réseaux neuromimétiques (réseaux de neurones artificiels ou réseaux de neurones formels). Il permettra de comprendre l’origine des réseaux de neurones artificiels, du Perceptron, au Perceptron Multi-Couches jusqu’au Deep Learning, en passant par les réseaux non supervisés et le NeoCognitron. Le cours abordera le détail des processus de traitement de l’information dans un Deep Convolutional Neural Network (transduction, notion de champs récepteurs et de convolution, notion de pooling et similitudes avec le système visuel humain, fonctions d’activations, calcul de l’erreur et descente du gradient, apprentissage itératif, etc.) Le cours abordera enfin les avantages, les limites et les perspectives des réseaux de neurones artificiels et de la recherche générale dans le domaine de l’IA. Ce cours s'adresse à des étudiants issus de diverses disciplines et il est conçu de telle sorte qu'il soit accessible à la compréhension par des étudiants de différents cursus disciplinaires.
Les travaux dirigés permettront de se familiariser avec le langage Python et de découvrir les librairies Scikit-Learn et PyTorch. Les trois séances de 2h porteront sur - S1 : Introductions des notions / Installation / premiers pas - S2 : XOR & Perceptron/MLP - S3 : réseaux CNN

Contenu(s)

• Introduction
• Neurones formels
• Fonctions d’activation
• Notion de processus parallèles distribués
• IA symbolique versus IA neuromimétique
• Descente du gradient
• Convolution/pooling comme modèle du système visuel primaire humain
• Avantages d’un système parallèle distribué
• Limites et perspectives des réseaux de neurones artificiels.

Ce cours s'adresse à des étudiants issus de diverses disciplines et il est conçu de telle sorte qu'il soit accessible à la compréhension par des étudiants de différents cursus disciplinaires.