Aller au menu Aller au contenu
Diversité scientifique et technologique
L'école d'ingénieurs de physique, électronique, matériaux
Diversité scientifique et technologique

> Formation

Réseaux de neurones et deep learning - WPMGRNL2

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In
  • Volumes horaires

    • CM : 6.0
    • TD : 6.0
    • TP : 6.0
    • Projet : 0
    • Stage : 0
    Crédits ECTS : 2.0

Objectifs

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

Contact Martial MERMILLOD

Contenu

  • 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.


Prérequis

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.

Contrôles des connaissances

SESSION 1 présentiel
Modalités d’examens : contrôle continu (CC, rapport de BE) et examen écrit
Documents autorisés : une feuille Recto-Verso manuscrite
Calcul de la note : 30% CC + 70% exam

SESSION 2 présentiel
Modalités d’examens : contrôle continu (CC, rapport de BE de la session 1) et examen écrit
Documents autorisés : une feuille Recto-Verso manuscrite
Calcul de la note : 30% CC (session 1) + 70% exam

SESSION 1 à distance
Modalités d’examens : contrôle continu (CC, rapport de BE) et examen écrit
Documents autorisés : tous
Calcul de la note : 30% CC + 70% exam

SESSION 2 à distance
Modalités d’examens : contrôle continu (CC, rapport de BE de la session 1) et examen écrit
Documents autorisés : tous
Calcul de la note : 30% CC (session 1) + 70% exam



Session 1 présentiel : 30%CC + 70% exam
Session 2 présentiel : 30% CC (session 1) + 70% exam
Session 1 à distance : 30%CC + 70% exam
Session 2 à distance : 30% CC (session 1) + 70% exam

Informations complémentaires

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

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In

mise à jour le 21 septembre 2021

Université Grenoble Alpes