Description

Ce cours vise à introduire les concepts fondamentaux de l'apprentissage machine appliqué à l'analyse d'images. Les notions présentées sont mises en application dans le cadre de travaux pratiques appliqués au domaine de l'image.

Compétences visées

• Maîtriser les principes fondamentaux de l'apprentissage machine
• Savoir mettre en œuvre une méthode de classification d'image dédiée à un problème donné
• Savoir évaluer et quantifier la robustesse d'un modèle de classification
• Savoir évaluer la capacité de généralisation d'un modèle de classification
• Savoir optimiser les hyperparamètres d'un modèle de réseau de neurones pour un problème donné
• Savoir implémenter un modèle de réseaux de neurones dans une bibliothèque d'apprentissage machine

Disciplines

• Informatique

Syllabus

Les points abordés sont : introduction à la classification (non-supervisée et supervisée), modèle linéaire, régression linéaire, réduction de dimension (analyse en composantes principales).
Méthodes de classification supervisée : machines à vecteurs de support (SVM), k-plus proches voisins.
Réseaux de neurones : perceptrons multicouches, algorithme de rétropropagation du gradient.
Introduction aux réseaux de neurones convolutifs

Bibliographie

• "The Elements of Statistical Learning 3rd Edition",Trevor Hastie , Jerome Friedman et Robert Tibshirani
• "Deep Learning" par Ian Goodfellow, Yoshua Bengio, et Aaron Courville.

Contacts

Responsable(s) de l'enseignement

• Benoit Naegel

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