A. Réseaux de neurones artificiels:
A.1 Introduction:
− historique et défis
− neurones biologiques et artificiels
− règles apprentissage et adaptation
A.2 Classifieur de type perceptron monocouche:
− modèles de représentation et classification
− fonctions discriminantes
− machine linéaire et classification à distance minimum
− perceptron discret: algorithme d'apprentissage et exemple de classification pour R=2 classes
− perceptron continu appliqué à la classification d'observations linéairement séparables pour R=2 classes
− réseau perceptron monocouche: problèmes de classification à R=N classes
A.3 Réseaux de neurones multicouches sans rétroaction (MLP):
− classification de données linéairement non-séparables
− règle d'apprentissage delta pour une couche de perceptrons
− règle d'apprentissage delta généralisée
− entraînement par la rétro-propagation des erreurs
− stratégies et facteurs d'apprentissage
− applications et limitations
A.4 Apprentissage profond (DL):
− motivation et défis des réseaux de neurones profonds (DNN)
− stratégies d’entrainement
− modèles auto-encodeurs
− réseaux de neurones convolutifs (CNN)
− interprétation et visualisation
− compression et accélération
− attaques adversaires et sécurité
|