Deep Learning
Objectifs
L’objectif est de présenter les principaux algorithmes du deep-learning visant à améliorer les processus d’intelligence artificielle.
Descriptif
Deep Learning pour le traitement de l’image :
- algorithmes d’optimisation (descente du gradient, méthodes adaptatives…)
- réseaux de neurones convolutifs
- application à la reconnaissance d’image et la détection d’objets
- auto-encodeurs
- modèles génératifs
Pré-requis
- Principes et pratique du machine learning
- En particulier : bases sur les réseaux de neurones classiques (perceptrons)
- Programmation en Python et/ou R
Références bibliographiques
-
L’ouvrage qui suit donne une bonne introduction, théorique et pratique, au machine learning, et il contient un chapitre de 60 pages sur le deep learning : Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani (2021). An Introduction to Statistical Learning, with Applications in R, Springer, 2e édition. Le site Web du livre : https://www.statlearning.com/
-
Deux ouvrages très pratiques, l’un avec Python, l’autre avec R : François Chollet (2022). Deep Learning with Python, Manning, 2nd edition. François Chollet et J.J. Allaire (2018). Deep Learning with R, Manning.
-
Les codes des exemples sont sur GitHub :
https://github.com/fchollet/deep-learning-with-python-notebooks https://github.com/jjallaire/deep-learning-with-r-notebooks
-
Des ouvrages de référence sur le deep learning : Ian Goodfellow, Yoshua Bengio and Aaron Courville (2016). Deep Learning, MIT Press. Le site de l’ouvrage : http://www.deeplearningbook.org/ Stéphane Tufféry (2022). Deep Learning, from Big Data to Artificial Intelligence, Wiley.
-
En vidéo les cours de Stéphane Mallat au Collège de France :