Plan du cours
JOUR 1 - RÉSEAUX DE NEURONES ARTIFICIELS
Introduction et structure des RNA.
- Neurones biologiques et neurones artificiels.
- Modèle d'un RNA.
- Fonctions d'activation utilisées dans les RNA.
- Classes typiques d'architectures de réseaux.
Fondements mathématiques et mécanismes d'apprentissage.
- Rappel de l'algèbre vectorielle et matricielle.
- Concepts d'espace d'état.
- Concepts d'optimisation.
- Apprentissage par correction d'erreur.
- Apprentissage basé sur la mémoire.
- Apprentissage de Hebb.
- Apprentissage compétitif.
Perceptrons monocouches.
- Structure et apprentissage des perceptrons.
- Classifieur de motifs - introduction et classifieurs de Bayes.
- Le perceptron en tant que classifieur de motifs.
- Convergence du perceptron.
- Limitations d'un perceptron.
RNA feedforward (à propagation avant).
- Structures des réseaux multicouches feedforward.
- Algorithme de rétropropagation (backpropagation).
- Rétropropagation - entraînement et convergence.
- Approximation fonctionnelle par rétropropagation.
- Aspects pratiques et de conception de l'apprentissage par rétropropagation.
Réseaux de fonctions à base radiale (RBF).
- Séparabilité des motifs et interpolation.
- Théorie de la régularisation.
- Régularisation et réseaux RBF.
- Conception et entraînement des réseaux RBF.
- Propriétés d'approximation des RBF.
Apprentissage compétitif et RNA auto-organisés.
- Procédures générales de clustering.
- Quantification vectorielle d'apprentissage (LVQ).
- Algorithmes et architectures d'apprentissage compétitif.
- Cartes de caractéristiques auto-organisées.
- Propriétés des cartes de caractéristiques.
Réseaux de neurones flous (fuzzy).
- Systèmes neuro-flous.
- Fondements des ensembles flous et de la logique floue.
- Conception de systèmes flous.
- Conception de réseaux de neurones flous.
Applications
- Quelques exemples d'applications des réseaux de neurones, leurs avantages et leurs problèmes seront discutés.
JOUR 2 - APPRENTISSAGE AUTOMATIQUE
- Cadre d'apprentissage PAC
- Garanties pour un ensemble d'hypothèses fini – cas cohérent
- Garanties pour un ensemble d'hypothèses fini – cas incohérent
- Généralités
- Scénarios déterministes vs stochastiques
- Bruit d'erreur de Bayes
- Erreurs d'estimation et d'approximation
- Sélection de modèles
- Complexité de Rademacher et dimension VC
- Compromis biais-variance
- Régularisation
- Surapprentissage (overfitting)
- Validation
- Machines à vecteurs de support (SVM)
- Kriging (régression par processus gaussien)
- ACP et ACP à noyau
- Cartes auto-organisées (SOM)
- Espace vectoriel induit par noyau
- Noyaux de Mercer et métriques de similarité induites par noyau
- Apprentissage par renforcement
JOUR 3 - APPRENTISSAGE PROFOND
Ce contenu sera enseigné en relation avec les sujets abordés le jour 1 et le jour 2
- Régression logistique et Softmax
- Auto-encodeurs creux (Sparse Autoencoders)
- Vectorisation, ACP et blanchiment (Whitening)
- Apprentissage auto-enseigné (Self-Taught Learning)
- Réseaux profonds
- Décodeurs linéaires
- Convolution et pooling
- Codage creux (Sparse Coding)
- Analyse en composantes indépendantes (ICA)
- Analyse de corrélation canonique (CCA)
- Démonstrations et applications
Pré requis
Bonne compréhension des mathématiques.
Bonne compréhension des statistiques de base.
Les compétences en programmation de base ne sont pas requises mais sont recommandées.
Nos clients témoignent (2)
Travailler à partir des principes fondamentaux de manière concentrée, puis passer à l'application d'études de cas le même jour
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique
