1. A propos du cours

1. Auteur : Olivier Pons et Arnaud Breloy : CNAM - Conservatoire National des Arts et Métiers
2. Type : Cours universitaire - US3362 Apprentissage Automatique
3. Langue : Français
4. Licence : Ressource académique CNAM

2. Prérequis

1. Solides connaissances en mathématiques (algèbre linéaire, calcul matriciel)
2. Maîtrise du calcul différentiel et optimisation
3. Bases en probabilités et statistiques inférentielles
4. Expérience en programmation Python
5. Connaissances en apprentissage automatique de base

3. Publique cible

Ce cours s'adresse aux étudiants du CNAM en formation continue, aux ingénieurs en reconversion, aux professionnels de la data science, et aux étudiants de master en informatique. Il convient particulièrement aux apprenants ayant une expérience professionnelle et cherchant à acquérir des compétences avancées en deep learning dans un cadre académique rigoureux.

4. Outils matériels et logiciels

4.1 Outils matériels

1. Station de travail performante pour le calcul intensif
2. Processeur multi-cœurs avec support accélération GPU
3. Mémoire RAM importante (16Go+ recommandé)
4. Stockage SSD pour le traitement de jeux de données volumineux

4.2 Outils logiciels

1. Environnement Python scientifique (Anaconda/Miniconda)
2. TensorFlow ou PyTorch pour le deep learning
3. Bibliothèques de calcul (NumPy, SciPy, Pandas)
4. Outils de visualisation (Matplotlib, Plotly, Seaborn)
5. Jupyter Lab pour le développement interactif

5. Champs d'applications

1. Vision artificielle et analyse d'images
2. Traitement automatique du langage (NLP)
3. Systèmes de recommandation personnalisés
4. Diagnostic médical assisté par IA
5. Prédiction de séries temporelles
6. Recherche industrielle et innovation

6. Courte description

Ce cours du CNAM sur le deep learning présente les architectures neuronales profondes et leurs applications. Il combine fondements théoriques solides et implémentations pratiques pour former des experts en intelligence artificielle.

7. Longue description du cours

Ce cours sur le deep learning fait partie du module US3362 "Apprentissage Automatique" dispensé au CNAM (Conservatoire National des Arts et Métiers). Il représente une formation d'excellence qui allie rigueur académique et applicabilité industrielle, reflétant la mission du CNAM de former des professionnels hautement qualifiés.

Le cours débute par un rappel approfondi des concepts fondamentaux des réseaux de neurones, en mettant l'accent sur les aspects mathématiques essentiels au deep learning. Les étudiants revisitent le perceptron multicouche, l'algorithme de rétropropagation, et les fonctions d'activation, mais avec une profondeur adaptée à un public avancé. Les limitations des réseaux peu profonds sont analysées pour justifier le passage aux architectures profondes.

Une partie substantielle est consacrée aux réseaux de neurones convolutionnels (CNN), qui constituent la pierre angulaire du traitement moderne des images. Le cours explique en détail l'architecture des CNN : couches de convolution, pooling, et pleinement connectées. Les concepts de filtres, feature maps, et partage de poids sont développés avec une approche tant théorique que pratique. Des architectures classiques comme LeNet, AlexNet, VGG, et ResNet sont présentées et comparées.

Le cours aborde les techniques avancées d'entraînement spécifiques aux réseaux profonds. Les méthodes de régularisation comme le dropout, batch normalization, et data augmentation sont expliquées non seulement dans leur implémentation mais aussi dans leur justification théorique. Les stratégies d'initialisation des poids et les algorithmes d'optimisation adaptatifs (Adam, RMSProp) sont analysés en profondeur.

Les réseaux de neurones récurrents (RNN) et leurs variantes (LSTM, GRU) font l'objet d'une attention particulière. Le cours montre comment ces architectures permettent de modéliser des données séquentielles et temporelles. Les problèmes de vanishing/exploding gradients et les solutions apportées par les architectures à portes sont expliquées en détail.

Une section innovante traite des méthodes d'apprentissage non supervisé en deep learning, incluant les autoencodeurs et les GANs (Generative Adversarial Networks). Les étudiants découvrent comment ces techniques permettent d'apprendre des représentations compactes des données et de générer de nouveaux échantillons réalistes.

Le cours inclut des études de cas industriels qui illustrent l'application du deep learning à des problèmes concrets. Ces cas couvrent des domaines variés comme la reconnaissance d'objets, la classification de textes, la prédiction de séries temporelles financières, et le diagnostic médical. Chaque étude de cas est accompagnée d'une analyse des choix architecturaux, des stratégies d'entraînement, et des métriques d'évaluation pertinentes.

Les aspects opérationnels du déploiement des modèles de deep learning sont également abordés. Le cours traite de l'optimisation des modèles pour l'inférence, des techniques de compression (pruning, quantification), et des considérations liées au déploiement en production.

Enfin, le cours se termine par une perspective sur les défis actuels et futurs du deep learning : interprétabilité des modèles, apprentissage avec peu de données, robustesse aux attaques adverses, et aspects éthiques de l'IA. Cette vision prospective prépare les étudiants aux évolutions rapides du domaine.

Cette formation du CNAM se distingue par son équilibre entre théorie et pratique, son ancrage dans les besoins industriels, et son adaptation au public de formation continue qui caractérise l'institution.

Voir ou télécharger le document sur le site d'origine

Ce document est hébergé par une source externe. Nous ne revendiquons aucun droit sur son contenu. Pour toute demande de retrait, veuillez contacter l'auteur ou l'hébergeur officiel.