CHPS0905 - IA & HPC

Retour au parcours Retour à la liste des EC
  • Équipe pédagogique

    • Responsables

    • STEFFENEL Luiz-Angelo (Responsable)
      Département : Informatique (UFR SEN)
  • Volume horaire

  • Nature CMTP Total
    Durée 20h20h40h
  • Modalités de contrôle des connaissances (MCC)

  • Epreuves Nature ProjetOral Total
    Durée 0h20
    Cas général 1ère session 5050 100%
    2nd session 5050 100%
    Dispense contrôle continu 1ère session 5050 100%
    2nd session 5050 100%
  • Modalités de contrôle des connaissances (MCC)

  • Cas général

  • Nature Durée 1ère session 2ème session
    Projet 50% 50%
    Oral 0h20 50% 50%
  • Dispense contrôle continu

  • Nature Durée 1ère session 2ème session
    Projet 50% 50%
    Oral 0h20 50% 50%
  • Objectifs

  • Résolution de problèmes de modélisation et de classification à l’aide des méthodes de l’intelligence artificielle, et plus particulièrement de l’apprentissage profond

  • Compétences spécifiques visées

    • Les applications industrielles et scientifiques du Deep Learning (traitement du signal, médecine, reconnaissance d’image, reconnaissance de la parole)
    • Développement dans des environnements matériels fortement parallèles (HPC, GPU, TPU, …)
    • Traitement de grandes masses de données (HPDA, Big Data)
  • Compétences générales visées

    • Maîtrise de la constitution d’un jeu d’apprentissage
    • Principaux algorithmes du Machine Learning
    • Connaissance des principaux modèles de réseaux de neurones et leurs domaines d’application
    • Caractérisation de la performance et optimisation
  • Connaissances requises

  • Algorithmique et structures de données élémentaires ; programmation Python

  • Programme

    • Les différentes approches du Machine Learning :
      • apprentissage supervisé
      • apprentissage non supervisé
      • apprentissage par renforcement
    • Méthodes et algorithmes usuels :
      • régression linéaire, arbres de décisions, K-means, …
      • méthodes stochastiques ; réseaux de neurones
    • Apprentissage profond
      • architectures des réseaux de neurones (réseaux de convolution, récurrents, …)
      • les différentes couches constitutives d’un réseau de neurones : convolutional, pooling, fully connected, drop
      • différentes fonctions d’activation
      • méthode de rétro-propagation du gradient
    • Applications du Deep Learning dans des problèmes industriels et scientifiques