Intelligence Artificielle et Multimédia

  • See this page in english

    En bref

  • Langue d'enseignement : français
  • Méthode d'enseignement : En présence
  • Code : N9EN15A

Objectifs

A la fin de ce module, l’étudiant devra avoir compris et pourra expliquer (principaux concepts) :

- L’utilisation des algorithmes d’apprentissage profond pour la classification de données complexes en grande dimension avec estimation de l’erreur de prédiction

- Les principaux algorithmes de classification de données média

- Les applications des méthodes d’apprentissage profond sur des jeux de données réelles

 

L’étudiant devra être capable de :

- Ajuster des réseaux de neurones profonds pour la classification ou la régression de données média : images, vidéos, 3D.

- Mettre en œuvre les algorithmes d’apprentissage profond sur des données réelles à l’aide de librairies Python.

Description

Ce cours est dédié aux méthodes d’apprentissage et en particulier les méthodes d’apprentissage profond, pour le traitement de données en grande dimension telles que des les images par exemple.

- Réseaux de neurones et introduction à l’apprentissage profond: définition des réseaux de neurones, fonctions d’activation, perceptron multicouches, algorithme de rétropropagation du gradient, algorithmes d’optimisation, régularisation.

- Réseaux de neurones convolutionnels : couche convolutionnelle, pooling, dropout, architecture des réseaux convolutionnels, transfert d’apprentissage, applications à la classification d’images, la détection d’objet, la segmentation d’image, l’estimation de posture, etc.

- Réseaux de neurones récurrents : modélisation de séquences, neurone récurrent, rétropropagation à travers le temps, LSTM et GRU, applications au traitement du langage naturel et au traitement des signaux audio et vidéo.

- Réseaux de neurones et 3D : réseaux convolutifs 3D pour le traitement des données volumétriques (ex: IRM), réseaux PointNet et PointNet++ pour le traitement des nuages de points 3D (ex: LIDAR).

Compétences visées

apprentissage profond, réseaux de neurones profonds

Bibliographie

- Goofellow I., Bengio Y., Courville A. “ Deep Learning”, MIT Press

- Hastie, T. Tibshirani, R., Friedman, J.  “The elements of statistical learning”, Springer, 2001

- Chollet, F. “Deep Learning with Python”, Manning Publications, 2018

Conditions d'admission

Statistiques, Apprentissage statistique

Session 1 ou session unique - Contrôle des connaissances

ModalitéNatureCoefficientRemarques
CT (contrôle terminal) Oral/Ecrit50%Exam Intelligence Artificielle et Multi.
CC (contrôle continu) Travaux Pratiques50%TP Intelligence Artificielle et Multiméd

Session 2 - Contrôle des connaissances

ModalitéNatureCoefficientRemarques
CT (contrôle terminal) Oral/Ecrit50%Exam Intelligence Artificielle et Multi.
CC (contrôle continu) Travaux Pratiques50%TP Intelligence Artificielle et Multiméd

Contact(s)

CARLIER AXEL

Lieu(x)

  • Toulouse

Contactez l’ENSEEIHT

L’École Nationale Supérieure d'Électrotechnique, d'Électronique, d'Informatique, d'Hydraulique et des Télécommunications

2, rue Charles Camichel - BP 7122
31071 Toulouse Cedex 7, France

+33 (0)5 34 32 20 00

Certifications

  • Logo MENESR
  • Logo UTFTMP
  • Logo INP
  • Logo INPT
  • Logo Mines télécoms
  • Logo CTI
  • Logo CDEFI
  • Logo midisup