Machine Learning et Deep Learning pour la vision par ordinateur Présentiel

Après une introduction générale sur les fondements de l'intelligence artificielle et de l'apprentissage automatique, les principales approches et applications seront expliquées et illustrées par des études de cas.

Les séquences de la formation alterneront entre cours théoriques et séances pratiques (en Python, SciPy, PyTorch) avec un focus sur les réseaux de neurones et la vision par ordinateur.

• Différents types d'approches en apprentissage automatique et préparation de données d'apprentissage
• Réduction de dimension et extraction de caractéristiques
• Réseaux de neurones
• Apprentissage profond
• Méthodes non-supervisées et approches génératives (auto-encodeurs, GAN)
• Analyse de données séquentielles ou temporelles (RNN, LSTM)

• Connaître les principaux algorithmes et modèles d'apprentissage automatique supervisé et non-supervisé et leurs domaines d'application
• Comprendre le fonctionnement des approches basées sur des réseaux de neurones profonds (Deep Learning) et la vision par ordinateur
• Mettre en œuvre un algorithme d'apprentissage automatique basé sur les réseaux de neurones convolutifs pour différents types de données images
• Evaluer les performances de ces algorithmes sur un problème donné et connaître l'impact de différents paramètres d'apprentissage

Alternance de cours (60 %) et de travaux pratiques (40 %)

TP encadrés par 2 intervenants

Un support papier et PDF ainsi que des fichiers de calcul et des articles seront mis à disposition des participants.

Les participants ont la possibilité d'apporter leurs propres données qui pourront être utilisées lors des séances pratiques à des fins pédagogiques sous réserve de l'accord préalable du responsable de la formation. Un document sera envoyé aux apprenants quelques semaines avant la formation afin de préparer ces séances pratiques.