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.
Équipe pédagogique
- Patrick Gallinari
- Matthieu Labeau
- Pierre-Antoine Lequeu
Prérequis
- Machine Learning
- Probabilités, statistiques
- Science des données.
Évaluation
L’UE est notée en contrôle continu :
- 1 devoirs sur table (50% de la note)
- 1 projet (50% de la note)
Informations
- Période: M2 S1
- Langue: français
- Crédits: 6 ECTS
- Code UE: UM5IN861