Du machine learning au deep learning

• Comprendre les enjeux du machine learning et de l’intelligence artificielle
• Connaître les différentes approches d’un problème en machine learning : supervisé
  on-supervisé/semisupervisé, régression/classification etc.
• Comprendre les avantages et inconvénients des réseaux de neurones profonds ou larges
• Savoir chiffrer l’empreinte mémoire et la complexité de calcul d’un réseau en phase d’apprentissage ou d’évaluation

1- Apprentissage automatique/statistique (machine learning)

• Astuce du noyau : dualité espace des échantillons/espace des caractéristiques
• Dualité des échantillons par rapport aux caractéristiques (kNN vs SVM)
• Réseaux de neurones : la propagation de l’information, la rétro-propagation de l’erreur

2- Apprentissage au Deep Learning

• Les différents types de réseaux : CNN, RNN, LSTM, ResNet... Les avantages et inconvénients,
les cas typiques d’utilisation...
• Implémentation d’un réseau avec des API haut niveau (Tensorflow, MXNet, Keras, …) : limites d’utilisation
• Chiffrer la complexité de calcul / mémoire

Consulter le diplôme, titre ou certificat... délivrés en fin de formation ainsi que les métiers auxquels cette formation vous donne accès.