logo
2.12.23 (873)

Enseignement spécifique des masters - CSC_52087_EP : Apprentissage profond avancé

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 quizzes et de projets d'équipe. 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 (Institut polytechnique de Paris)

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

      Pour les étudiants du diplôme M2 DS4Health - Digital Skills for Healthcare Transformation

      Programme détaillé

      1. Symmetry in Deep Learning Representations (JL) 2. Robustness in Deep Learning (JL) & Self-Supervised Learning (VK) 3. Self-Supervised Learning (VK) 4. Neural Fields (XW) 5. Differentiability in Deep Learning & Analysis-by-Synthesis (XW) 6. Amortized Inference (XW) 7. Efficient Deep Learning through Distillation (YZ) 8. Rethinking the Role of Sampling in Modern Deep Learning (YZ) 9. Deep Learning and Physics (YZ)

      Mots clés

      Deep Learning, Transformateurs, Vision par ordinateur, Symmetry in Deep Learning
      Veuillez patienter