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