Ce cours vise à décrire tous les détails du fonctionnement des réseaux de neurones profonds et leurs applications dans le domaine de la reconnaissance visuelle.

Au terme de ce cours, l'étudiant ou l'étudiante sera en mesure :

• d’expliquer en détail le fonctionnement des réseaux de neurones convolutifs;
• de discuter des avantages et inconvénients de ces approches pour des applications en vision par ordinateur;
• de construire des systèmes basés sur des réseaux de neurones convolutifs et les utiliser pour créer des applications.

Introduction à l'apprentissage machine, rappels d'algèbre linéaire et de calcul différentiel, perceptron et son apprentissage, réseau de neurones et son apprentissage, fonctions d'activation, propagation avant et propagation arrière, problèmes de l'apprentissage, régularisation, fonctions de coût, problèmes avec les gradients, apprentissage semi-supervisé, apprentissage faiblement supervisé, autoapprentissage, classification d'images, segmentation d'images, interprétabilité des prédictions, apprentissage en continu.

L'objectif du cours est de comprendre tous les détails du fonctionnement des réseaux de neurones profonds et leurs applications dans le domaine de la reconnaissance visuelle.

Plus précisément, à la fin de ce cours, les étudiants seront capables de :

• comprendre en détail le fonctionnement des réseaux de neurones convolutifs,

• discuter des avantages et inconvénients de ces approches pour des applications en vision par ordinateur,

• construire un système basé sur des CNNs et les utiliser pour créer leurs propres applications,

• d'utiliser les outils appropriés pour valider et évaluer la performance de ces systèmes.

Les thèmes suivants seront abordés :

introduction à l'apprentissage machine, rappels d'algèbre linéaire et de calcul différentiel, perceptron et son apprentissage, réseau de neurones et son apprentissage, fonctions d'activation, propagation avant et propagation arrière, problèmes de l'apprentissage, régularisation, fonctions de coût, problèmes avec les gradients, apprentissage semi-supervisé, apprentissage faiblement supervisé, auto-apprentissage, classification d'images, segmentation d'images, interpretabilité des predictions, apprentissage en continue.

Trois heures et demie (3h ½) heures de cours par semaine. Dans la première partie de chaque séance, des aspects théoriques seront abordés. La deuxième partie servira pour montrer des exemples pratiques (c.à.d, implémentation) qui visent l'assimilation des notions vues au cours. Certains documents pertinents au cours (mémos, exercices, solutionnaires, énoncés de travaux, fichiers d'exemples, etc.) seront placés régulièrement sur le site Web du cours. Il est de la responsabilité de l'étudiant(e) de consulter régulièrement ce site.