Intitulé de la matière : RNA et Apprentissage profond
Intitulé de l’UE : UEF5
Crédits : 6
Coefficients :3
Objectifs de l’enseignement
L’objectif principal de ce cours est de présenter des résultats représentatifs de la recherche actuelle sur les justifications mathématiques des algorithmes d’apprentissage profond ; puis de faire le lien avec la mise en pratique de ces algorithmes. Nous commencerons par formaliser différents modèles de réseaux et par décrire des algorithmes de back‐propagation utilisés pour leur minimisation.
Connaissances préalables recommandées: Apprentissage automatique, apprentissage statistique.
Contenu de la matière
1. Introduction sur les réseaux de neurones
2. Le neurone en modèle neurophysiologique.
3. Le neurone artificiel, modèles mathématiques.
4. Le réseau de neurones artificiels
- Apprentissage non supervisé (la loi de Hebb).
- Apprentissage non supervisé (le Perceptron)
5. Mémoires associatives
6. Carte auto-organisatrice
7. Réseaux multicouches
8. Réseau de neurones convolutifs et apprentissage profond.
Mode d’évaluation : (Continu :40%, EMD : 60%).
Références
- J. P. Haton et al. Le raisonnement en intelligence artificielle, Inter-Editions.
- Thayse et al. Approche logique de l'intelligence artificielle, Dunod.