Deep Learning
Cursus master ingénierie (CMI) - UFR de mathématique et d'informatiqueParcours Cursus master ingénierie (CMI) - Informatique, image, réalité virtuelle, interactions et jeux

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

LibelléType d'évaluationNature de l'épreuveDurée (en minutes)Coéfficient de l'épreuveNote éliminatoire de l'épreuveNote reportée en session 2
Note 1 : Epreuve écrite
SCET601
Note 2 : Participation
SCA1
Note 2 : projet de groupe
SCA2