Deep learning et NLP pour le diagnostic
Ref: 3VS3030
Description
Ce cours couvre les techniques pratiques d'optimisation des réseaux neuronaux profonds. Les étudiants pourront étudier et mettre en œuvre des modèles d'apprentissage avancés sur des données (médicales) complexes, grâce aux techniques et outils suivants :
Bibliothèques Numpy, Pytorch
Techniques d'optimisation, apprentissage par transfert et régularisation
Compréhension des architectures modèles classiques et aperçu de l'état de l'art
En particulier, les étudiants mettront en œuvre des méthodes pour les applications suivantes :
Analyse d'images à travers des réseaux convolutifs profonds ;
analyse du langage par l'apprentissage non supervisé de représentations de mots et de réseaux récurrents et transformateurs ;
d'autres applications telles que les moteurs de recommandation, les modèles générateurs ...
Bibliothèques Numpy, Pytorch
Techniques d'optimisation, apprentissage par transfert et régularisation
Compréhension des architectures modèles classiques et aperçu de l'état de l'art
En particulier, les étudiants mettront en œuvre des méthodes pour les applications suivantes :
Analyse d'images à travers des réseaux convolutifs profonds ;
analyse du langage par l'apprentissage non supervisé de représentations de mots et de réseaux récurrents et transformateurs ;
d'autres applications telles que les moteurs de recommandation, les modèles générateurs ...
Numéro de trimestre
SM10
Prérequis
Ce cours est destiné aux étudiants qui ont déjà étudié le Machine Learning et l'optimisation numérique. Il se compose de nombreuses séances pratiques (ordinateur portable requis). Les prérequis techniques sont le langage Python.
Syllabus
- Introduction au DeeP Learning
- Réseaux neuronaux et rétropropagation
- Intégrations et systèmes de recommandation
- Réseaux neuronaux convolutifs pour la classification des images
- Apprentissage approfondi pour la détection d'objets et la segmentation d'images
- Réseaux neuronaux récurrents et NLP
- Séquence à séquence, attention et mémoire
- Apprentissage approfondi non supervisé et modèles générateurs
Composition du cours
Cours magistraux et sessions pratiques
Notation
Contrôle continu au début de certaines séances de pratique, et évaluation finale (session de codage).
Résultats de l'apprentissage couverts par le cours
À l'issue de ce cours, les étudiants auront une connaissance théorique et pratique des principales méthodes de Deep Learning. Les étudiants sauront, pour un problème donné, comment identifier la meilleure classe de modèles et comment les mettre en œuvre dans la pratique.
Description des compétences acquises à la fin du cours
C1. Analyze, design and build complex systems with scientific, technological, human and economic components
C2. Develop in-depth competence in a scientific or sectoral field and a family of professions
C9. Act as a responsible professional. Think and act ethically.
C2. Develop in-depth competence in a scientific or sectoral field and a family of professions
C9. Act as a responsible professional. Think and act ethically.