Table des matières
Introduction au Deep Learning : principe et mise en œuvre
Responsable :
Jean-Luc Parouty (CNRS)
Objectif:
L'objectif est de proposer une introduction au Deep Learning, permettant d'en comprendre les bases et de pouvoir acquérir une première expérience de mise en œuvre, en s'appuyant sur les outils et moyens de l'IDRIS.
Il s’agit plus particulièrement de :
- Comprendre les bases des réseaux de neurones profonds (Deep Learning)
- Développer une première expérience à travers des exemples simples et représentatifs
- Comprendre les différents types de réseaux, leurs architectures et leurs cas d'usages
- Appréhender les technologies Tensorflow/Keras et Jupyter lab, sur GPU
- Appréhender les environnements de calcul académiques tier-2 (méso) et/ou tier-1 (nationaux)
Programme
- Introduction et contexte
- Intelligence artificielle, Machine Learning et Deep Learning
- Framework et environnements
- Anaconda - Jupyter Lab - Numpy - Matplotlib - TensorFlow - Keras
- Datasets - Gitlab - Centres de ressources
- Régression linéaire et logistique, premier réseau de neurone
- Méthodes itératives - Fonctions de perte
- Apprentissage - Descente de gradient - Régression et classification
- Préparation des données - Apprentissage- Évaluation et visualisation des résultats
- Réseaux de neurones multicouches (FCN)
- Principes et architecture - Rétropropagation - Usages
- Utilisation de TensorFlow, Keras et TensorBoard
- Gestion des modèles, sauvegarde et récupération
- Réseaux de neurones convolutifs (CNN)
- Principe et architectures - Usages - Convolutions et Pooling
- Utilisation des GPU - Courbes d’apprentissage
- Classification, détection et segmentation
- Traitement du langage naturel - Word Embeddings
- Principes - Traitement de matrices creuses - Analyse de sentiments
- Réseaux récurrents (RNN)
- Principes et architecture - Usages
- Prédiction de séquences temporelles
- Apprentissage par renforcement (RL)
- Principes et architecture - Usages
- Illustration d’apprentissage par gradient policy
- Réseaux antagonistes génératifs (GAN)
- Principes et architectures - Usages
Public :
Chercheurs ou ingénieurs
Prérequis :
Maîtrise (raisonnable) de Python
Environnement :
(Tensorflow) / Keras + Notebook Jupyter
Durée :
2 jours
Assistance :
Minimale : 10 personnes ; maximale : 14 personnes dans le cadre du contexte sanitaire COVID-19.
Équipe pédagogique/animation :
Soraya Arias (INRIA), Eric Maldonado (INRIAE), Jean-Luc Parouty (CNRS)