Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera dans les plus brefs délais.
Merci pour votre réservation ! Un membre de notre équipe vous contactera dans les plus brefs délais.
Plan du cours
Deep Learning vs Machine Learning vs autres méthodes
- Quand Deep Learning convient-il ?
- Limites de Deep Learning
- Comparaison de la précision et du coût des différentes méthodes
Aperçu des méthodes
- Réseaux et couches
- Avancer / Reculer : les calculs essentiels des modèles de composition en couches.
- Perte : la tâche à apprendre est définie par la perte.
- Solveur : le solveur coordonne l'optimisation du modèle.
- Catalogue de couches : la couche est l'unité fondamentale de modélisation et de calcul.
- Convolution
Méthodes et modèles
- Backprop, modèles modulaires
- Module Logsum
- RBF Net
- Perte MAP/MLE
- Transformations de l'espace des paramètres
- Module convolutionnel
- Apprentissage basé sur le gradient
- Énergie pour l'inférence,
- Objectif d'apprentissage
- ACP ; NLL :
- Modèles à variables latentes
- LVM probabiliste
- Fonction de perte
- Détection avec R-CNN rapide
- Séquences avec LSTMs et Vision + Langage avec LRCN
- Prédiction par pixel avec FCN
- Conception du cadre et avenir
Outils
- Caffe
- Tensorflow
- R
- Matlab
- Autres...
Pré requis
Toute connaissance d'un langage de programmation est requise. La connaissance de Machine Learning n'est pas obligatoire, mais elle est utile.
21 heures