Deep Learning
Cursus master ingénierie (CMI) - UFR de mathématique et d'informatiqueParcours Cursus master ingénierie (CMI) - Informatique, image, réalité virtuelle, interactions et jeux
ComposanteUFR de mathématique et d'informatique
Catalogue2024-2025
Description
- Comprendre le champ de l'apprentissage profond (deep learning) à la vision par ordinateur pour l'extraction d'information à partir d'images digitalisées.
- Comprendre comment l'apprentissage profond permet d'adresser des problèmes complexe en analyse d'images.
- Découvrir les algorithmes majeurs de ce domaine très actif et leurs applications en recherche et en industrie/service.
- Comprendre l'importance des représentations en apprentissage profond.
- Analyse détaillées des architectures d'apprentissage profond pour l'analyse d'image: réseaux convolutionnels, transformers, classification d'image, détection d'objet, estimation de pose humaine.
- Utilisation de librairies Python et framework d'apprentissage profond PyTorch.
- Bonnes pratiques en apprentissage profond pour l'entraînement de modèles.
- Gain d'expérience pratique à travers de nombreux tutoriels et travaux pratiques sur ordinateur, ainsi que grâce à un projet en groupe.
Compétences requises
- Bases en Machine Learning (apprentissage machine, notions sur-apprentissage/sous-apprentissage, ...)
- Codage Python pour la manipulation de données (numpy, opencv, pandas, ...)
- Utilisation de notebook pour le prototypage Python (jupyter, Google colab).
Compétences visées
À l'issue de cet enseignement, un.e étudiant.e sera capable de :
- comprendre les grandes classes d'algorithmes d'apprentissage profond pour la vision par ordinateur;
- de créer un ensemble d'entraînement cohérent et adapté au framework PyTorch;
- de réaliser un entraînement de modèle en partant de zéro (from scratch) ou en utilisant une approche de réglage fin (fine-tuning);
- identifier les indicateurs permettant d'assurer un apprentissage performant et robuste;
- comprendre les métriques standard en vision par ordinateur (precision, recall, F1-score, average precision, etc.);
Disciplines
- Informatique
Bibliographie
- Goodfellow, I.; Bengio, Y. & Courville, A. (2018), Deep Learning , MITP .
- Szeliski, R. (2011), Computer vision algorithms and applications , Springer , London; New York .
- Publications scientifiques du domaine.
MCC
Les épreuves indiquées respectent et appliquent le règlement de votre formation, disponible dans l'onglet Documents de la description de la formation.
- Régime d'évaluation
- ECI (Évaluation continue intégrale)
- Coefficient
- 1.0
Évaluation initiale / Session principale - Épreuves
Libellé | Type d'évaluation | Nature de l'épreuve | Durée (en minutes) | Coéfficient de l'épreuve | Note éliminatoire de l'épreuve | Note reportée en session 2 |
---|---|---|---|---|---|---|
Note 1 : Epreuve écrite | SC | ET | 60 | 1 | ||
Note 2 : Participation | SC | A | 1 | |||
Note 2 : projet de groupe | SC | A | 2 |