logo
v2.11.0 (5502)

Cours - 9P-441-SCI : Apprentissage et Reconnaissance de Formes

Domaine > Sciences de l'Ingénieur.

Descriptif

Né dans les années 50 avec l'apparition de l'informatique,  l’apprentissage automatique a connu récemment un essor remarquable grâce à la disponibilité de masses de données, de grandes puissances de calcul (GPU) et d’environnements logiciels spécialisés (Deep Learning). Les techniques d’apprentissage automatique ont permis un gain de performance important sur des problèmes classiques d’interprétation de données complexes (classification d’images, reconnaissance de visages, conduite de véhicule autonome, reconnaissance de la parole, traduction, diagnostic médical, biométrie, etc.)
 
Le cours est constitué de 10 séances de trois heures, chacune divisée en cours magistral présentant les notions et des exemples applicatifs, et en travaux dirigés sur machine pour les pratiquer.

 

L’objectif de ce cours est de présenter la problématique générale de l'apprentissage et de la reconnaissance des formes ainsi que des exemples de techniques couramment utilisées dans ce domaine.

 Cet enseignement se compose pour moitié de cours magistral « interactif » et pour moitié de TD d’application sur ordinateur.

 

La classification et la reconnaissance automatiques à partir de signaux temporels ou d’images sont utilisées dans tous les domaines de la physique car elles sont essentielles pour automatiser les processus de décision. On peut citer comme exemple la reconnaissance d’objets dans des images, la reconnaissance de la parole, la biométrie, … 

 

L’objectif de ce cours est de présenter la problématique générale de la classification et de la reconnaissance des formes ainsi que des exemples de techniques couramment utilisées dans ce domaine.

 

Cet enseignement se compose pour moitié de cours magistral « interactif » et pour moitié de TD d’application sous Matlab.

 

Objectifs pédagogiques

Le cours se veut une introduction à ce domaine. Il vise à en donner une vision d’ensemble, les bases théoriques, et des éléments méthodologiques pour la conception de chaînes de traitement.

Il sera validé par un examen, et par la réalisation d'un projet lors des dernières séances.

30 heures en présentiel
réparties en:
  • Cours magistral : 30

Diplôme(s) concerné(s)

UE de rattachement

Format des notes

Numérique sur 20

Pour les étudiants du diplôme Diplôme d'ingénieur de l'Institut d'Optique Théorique et Appliquée

Le rattrapage est autorisé (Note de rattrapage conservée écrêtée à une note seuil de 12)
  • le rattrapage est obligatoire si :
    Note initiale < 5

Le coefficient de l'UE est : 22

Programme détaillé

Séance 1: Introduction et algorithmes élémentaires (kNN, bayésien naïf)

Séance 2: Arbres de décision et Boosting

Séance 3: Réseaux de neurones

Séance 4: Support Vector Machines

Séance 5: Apprentissage Non supervisé

Séance 6: "Deep Learning"

Séance 7: Examen + début projet

Séance 8: Régression et Théorie de l'Apprentissage

Séance 9: Autoencodeurs et GAN

Séance 10: Applications du "Deep Learning"

Veuillez patienter