https://ms2a.lpsm.paris/enseignements/premier-semestre/apprentissage-statistique/
https://ms2a.lpsm.paris/enseignements/premier-semestre/optimisation-stochastique/
https://ms2a.lpsm.paris/enseignements/premier-semestre/optimisation-non-convexe/
This course introduces key concepts and methods for the automatic analysis and interpretation of visual content in images. Modern machine learning approaches are used to explore fundamental and advanced methods for computer vision, with emphasis on deep learning architectures and their training.
The course covers image classification, segmentation, vision–language models, and generative modeling. Topics include convolutional neural networks, Vision Transformers, self-supervised learning, diffusion models, robustness, explainability, transfer learning, and domain adaptation.
[Lire]Cette UE a pour objectif de présenter les modèles de langue et modèles de fondation (« foundation models ») pour des applications orientées texte telles que traitement automatique du langage et recherche d’information. Les architectures Transformer seront abordées en détail, ainsi que les techniques sous-jacentes au pré-entraînement (« masked language modeling », « causal modeling », …), à l’adaptation (distillation, PEFT, …) et à l’évaluation de ces modèles. Le cours aborde les notions algorithmiques mais également les aspects techniques et expérimentaux. Les travaux pratiques permettent d’acquérir l’expérience nécessaire pour utiliser les modèles de langue comme brique de base de nombreux systèmes d’intelligence artificielle.
[Lire]Cette UE introduit des concepts récents en deep learning et a vocation à s’adapter aux avancées du domaine. En particulier, le cours présente en détail - du point de vue théorique et pratique les modèles génératifs récents (modèles variationnels, adverses, de flot normalisant et de diffusion, …). Il aborde également le paradigme AI4Science : quelle place pour le deep learning dans la modélisation scientifique avec des exemples issus du « Physics-informed Machine Learning ». Les travaux pratiques permettent de découvrir les applications en lien avec ces thématiques dans différents domaines scientifiques.
[Lire]Cette UE présente l’ensemble des concepts fondamentaux de l’apprentissage par renforcement ainsi que les principaux algorithmes d’apprentissage par renforcement tabulaire (programmation dynamique, Q-learning, SARSA, actor-critic) et de Deep Reinforcement Learning (DQN, DDPG, TRPO, PPO, A2C, SAC, TQC …). Des notions proches comme les méthodes de Direct Policy Search et l’apprentissage par imitation sont aussi abordées. Le cours est centré sur les algorithmes et les relations qu’ils entretiennent. Les travaux pratiques sont l’occasion de coder les algorithmes en s’appuyant sur une librairie dédiée, tandis que des mini-projets permettent d’aborder les questions méthodologiques que pose leur mise en œuvre. Enfin, un projet plus conséquent permet d’évaluer la maîtrise globale acquise par les étudiants.
[Lire]Ce cours s’intéresse au domaine de l’éthique computationnelle ainsi qu’à l’usage de l’IA pour modéliser des raisonnements légaux (juris-informatics), présentant des approches qui visent à garantir la conformité éthique et légale de systèmes intégrant des IAs. L’accent est mis sur les approches formelles, permettant de modéliser ou d’apprendre des normes de conduite à travers notamment l’apprentissage symbolique relationnel (ou Programmation Logique Inductive), aussi très utilisé pour la découverte de connaissance scientifique, en particulier en bioinformatique. Ce cours abordera aussi les mécanismes de raisonnement causaux et leurs usages pour formaliser des notions de responsabilité, avant de proposer une initiation à ProLeg, extension du langage de programmation logique prolog adaptée aux raisonnements légaux. Ce cours pourra être donné en anglais s’il y a des étudiants non-francophones.
[Lire]Le cours étudie les défis et les solutions pour la modélisation et la gestion de graphes de données et de connaissances : modèles et langages de graphes de connaissances (RDF, graphes de propriétés), enrichissement de requêtes et de données (extraction de connaissances, interrogation sémantique de données, fusion d’information), qualité de données (données incomplètes, déduplication d’informations). Les concepts présentés en cours sont mis en œuvre dans des travaux pratiques.
[Lire]L’un des défis principaux de la recherche en apprentissage actuellement est la définition d’IA de confiance, concept qui recouvre de nombreuses dimensions parmi lesquelles on peut citer : l’IA explicable (eXplainable AI) ; interprétable, équitable ou responsable. Cette UE traite de ces questions et aborde, en particulier, les points suivants : définitions d’explications, critères d’interprétabilité ; interprétabilité par design : apprentissage interprétable de modèles interprétables ; interprétabilité post-hoc : LIME, SHAP et autres scores d’importance d’attributs, génération d’exemples contrefactuels ; approches logiques d’interprétabilité : abduction, causalité, logiques graduelles ; aspects éthiques, éthique computationnelle, fairness.
[Lire]Ce cours aborde les problèmes et les solutions liés au “big data” avec comme objectif d’aborder tous les aspects permettant le développement d’un pipeline de données efficace allant de la préparation et la représentation des données jusqu’à leur analyse. Le cours aborde les thèmes suivants:
Le Deep Learning est actuellement au cœur du Machine Learning et plus généralement de l’IA. L’objectif de l’UE est de former des spécialistes du Deep Learning aptes à s’adapter aux évolutions constantes du domaine. Après un rapide rappel des concepts de base du Deep Learning (architectures usuelles, rétro-propagation, paradigmes d’apprentissage), l’UE se focalise sur les concepts avancés : graphe de calculs, auto-différentiation, architectures avancées (attention globale, self-attention, Graph Neural Networks, Transformers). Les travaux pratiques permettent de prendre en main une plateforme de Deep Learning telle que PyTorch et d’aborder les concepts vus en cours d’un point de vue applicatif et orienté tâche.
[Lire]