Intelligence artificielle et apprentissage profond

Ref: 3SQ3150

Description

Les techniques récentes issues du domaine de l'intelligence artificielle (IA) cherchent à exploiter l'analogie entre le traitement de l'information dans le monde du vivant, notamment dans les cerveaux biologiques, et les techniques de modélisation et d'inférence statistique. Ces méthodes sont à la base de nouvelles technologies qui commencent à atteindre un niveau de performance et d'omniprésence important : reconnaissance automatique d'images, reconnaissance vocale, systèmes de recommandation, assistants à la rédaction, aide à la pose de diagnostic médical, robots compagnons et véhicules autonomes.

Vous avez déjà entendu parler de réseaux de neurones et d'algorithmes génétiques mais tout cela vous semble un peu obscure ? Ce module vous permettra d'y voir plus clair avec une approche pédagogique tournée vers la pratique.

A la fin de ce module vous aurez acquis un socle de connaissances générales et fondamentales ainsi que des compétences algorithmiques dans le domaine de l’IA, permettant d’aborder différents cas d’usages applicatifs pour analyser des données de nature variée.

Période(s) du cours

SG11

Prérequis

Notions de base en statistiques, apprentissage automatique et traitement du signal.

Syllabus

  • Cours en apprentissage profond :
    • Introduction à l'IA ;
    • Perceptron multicouche ;
    • Réseaux de neurones convolutifs (CNNs) ;
    • Réseaux de neurones récurrents (RNNs) ;
    • Librairie d'apprentissage profond PyTorch.

  • Mini-projet sur l’étiquetage d'enregistrements audio pour le suivi de la pollution sonore en milieu urbain, consistant à concevoir et comparer plusieurs méthodes d'apprentissage profond pour traiter un problème donné.

Composition du cours

La pédagogie de ce module est axée sur la pratique : Les cours traitant d'apprentissage profond se feront sous forme de classe inversée, avec des ressources à étudier à la maison. Les séances en classe se focaliseront sur la pratique, au travers d'un mini-projet portant sur l’étiquetage d'enregistrements audio pour le suivi de la pollution sonore en milieu urbain.

Ressources

Equipe enseignante : Simon Leglaive, Nicolas Turpault (co-fondateur de Sonaide)

Outils logiciels : Anaconda (gestionnaire de packages Python).

Résultats de l'apprentissage couverts par le cours

Acquis n°1 : Posséder un socle de connaissances générales et fondamentales en intelligence artificielle.

Acquis n°2 : Savoir concevoir, mettre en œuvre et évaluer des algorithmes d'apprentissage profond pour résoudre un problème donné.

Support de cours, bibliographie

Les supports de cours (présentations, notebooks Jupyter, code Python et activités pédagogiques) seront mis à disposition sur Edunao. 

Références :  

- Aston Zhang, Zachary C. Lipton, Mu Li, Alex J. Smola, « Dive into Deep Learning », 2019. 

Livre interactif sur l’apprentissage profond, disponible en ligne gratuitement. 

- Ian Goodfellow, Aaron Courville, and Yoshua Bengio, « Deep Learning », MIT Press, 2016. 

Livre de référence en apprentissage profond, disponible en ligne gratuitement.