Au terme de ce cours, l’étudiant ou l'étudiante sera en mesure de maîtriser et expérimenter les concepts de base de l’apprentissage profond, incluant : différents types d'architectures de réseaux de neurones profonds, leurs applications, et les avantages et limitations de ces architectures; conception et optimisation de modèles pour une application donnée; l’entrainement des réseaux profonds : fonctions de coûts, rétro-propagation, descente de gradient stochastique, régularisation et augmentation des données; réseaux de neurones à convolution; réseaux récurrents; modèles génératifs : auto-encodeurs, réseaux adversaires génératifs; apprentissage faiblement supervisé; robustesse des réseaux profonds et attaques adverses; interprétabilité des réseaux profonds; apprentissage par renforcement.

L'objectif de ce cours est d’acquérir des notions avancées sur l’apprentissage profond, notamment l'apprentissage de différents types d'architectures neuronales et leurs applications.

Le cours est divisé en deux parties:

La première partie du cours couvrira l’apprentissage supervisé des architectures neuronales profondes, en considérant l’apprentissage et l'optimisation de modèles avec des millions de paramètres.

La deuxième partie du cours portera sur l’apprentissage de modèles plus avancés tels que les auto-encodeurs et les modèles autorégressifs et sûr la réduction de calcul et de supervision.

39    heures de cours magistral (enseignement théorique)

26    heures de laboratoire

  3    heures de travail personnel (en moyenne) par semaine

Pour atteindre les objectifs, l’étudiant assistera à des exposés magistraux à raison de 3h par semaine et à des séances de laboratoire (2 h par semaine) durant lesquelles il pourra simuler le fonctionnement de divers modèles d'apprentissage profond appliqués à des problèmes en reconnaissance visuelle et géneration du texte.