logo
2.12.17 (748)

Enseignement spécifique des masters - CSC_52087_EP : Advanced Deep Learning

Descriptif

Deep Learning a révolutionné le domaine de l'intelligence artificielle et est devenu un outil essentiel dans de nombreuses applications, telles que la vision par ordinateur, le traitement du langage naturel, l'apprentissage de la représentation graphique et la reconnaissance vocale. Le domaine de Deep Learning est toujours en constante évolution avec de nouvelles techniques et architectures développées à un rythme effréné. Dans ce contexte, il est essentiel pour les aspirants praticiens de l'apprentissage profond de se tenir au courant des dernières avancées dans le domaine. La classe sera évaluée avec une combinaison de devoirs, de projets d'équipe et d'un défi étudiant. Plus de détails plus tard. La langue principale du cours est l'anglais.

Objectifs pédagogiques

L'objectif principal de ce cours est d'initier les étudiants aux principes avancés de Deep Learning, y compris les fondements mathématiques, la conception d'architecture et les applications pratiques. Ce cours est particulièrement pertinent compte tenu de l'état actuel du marché du travail, où les compétences d'apprentissage en profondeur sont très demandées dans de nombreux secteurs, notamment la technologie, la finance, la santé et le divertissement.

Format des notes

Numérique sur 20

Pour les étudiants du diplôme Inside ENSTA Paris

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 10

      Programme détaillé

      - Réseaux Antagonistes Génératifs - Attetnion et Transformateurs - Apprentissage par Représentation Graphique - Réseaux de Neurones en Graphes - Recherche Automatique d'Architecture Neuronale - Interdisciplinaire : Vision & Langage - Interdisciplinaire : Applications Biologiques - Interdisciplinaire : Applications aux Séries Temporelles

      Mots clés

      Deep Learning, Transformateurs, Vision par ordinateur, Réseaux de neurones en graphes, LLMs
      Veuillez patienter