AccueilOffre de formationCatalogue des UE par internet

Mathématiques S5

Code UE : USSI6P

  • Cours + travaux pratiques
  • 7 crédits

Responsable(s)

Giorgio RUSSOLILLO

Contenu

Positionnement : Semestre 5UE : MathématiquesECTS : 7
Nombre d’heures : 133h
Modalité : Présentiel (100%)
 L’UE Mathématiques est constituée de 3 éléments constitutifs d’UE :  
  • Apprentissage profond
  • Graphes, complexité et visualisation en intelligence artificielle
  • Modèles Profonds pour la Vision Artificielle et les Politiques d'Action
 
La note finale associée à cette UE est calculée en pondérant les notes des 3 ECUE avec les coefficients associés.
ECUE 1 : Apprentissage profond (Coef : 2) - 63h (Cours, TD) - 15h (Estimation temps de travail personnel)
 
Objectifs : 
  • Maitriser les outils d’apprentissage automatique pour la science des données et plus particulièrement les approches basées sur des structures neuronales.
  • Comprendre leurs forces et faiblesses, les fondements mathématiques et algorithmiques et leurs mises en pratique.
 
Contenu :  
  • Apprentissage supervisé par structure simple : o Formulation d’un problème d’apprentissage, fonctions de coût 
    • Modèles classiques (perceptron) : fonctionnement et réalisation pratique, discriminateur 
    • Apprentissage : Gradient Stochastique, rétropropagation, hyper-paramètre 
  • Deep learning  
    • Réseaux convolutifs : fonctionnement et déploiement 
    • Structure complète de discrimination : déploiement dans un contexte de Framework 
    • Evolution : transfert Learning, Autoencodeur et lien avec l’ACP 
 
Compétences visées : 
  • Compréhension des différentes problématiques des modèles de l’apprentissage par réseaux de neurones 
  • Savoir déployer des algorithmes de prédiction classiques avec des applications pour les problématiques de discrimination
 
Modalités d’évaluation : Réalisation de deux projets et présentation de ces projets.
ECUE 2 : Graphes, complexité et visualisation en intelligence artificielle (Coef : 1) - 28h (Cours, TP, Projet) - 10h (Estimation temps de travail personnel)
 
Objectifs : Introduire les concepts de visualisation de données et de complexité en intelligence artificielle, en mettant particulièrement l'accent sur l'IA symbolique appliquée aux graphes et aux données cyber. Les apprentis exploreront diverses techniques et outils pour représenter visuellement des données complexes, mesurer des indicateurs graphiques et détecter des chemins courts dans des structures de données. Le cours aborde également les aspects perceptifs et interactifs de la visualisation d'informations.
 
Contenu :  
  • Introduction à la date complexité par l’IA et l’IA symbolique sur graphes 
  • Exemples sur données cyber 
  • Mesure et calcul d’indicateurs complexes : graphe, topologie d’arborescence 
  • Détection de chemins courts et représentation graphique 
  • Visualisation d’information : historique, applications, outils 
  • Enjeux perceptifs de la visualisation d’information : couleurs, formes, immersion, lecture
  • Techniques de représentations : graphes, hiérarchies, lignes de temps 
  • Techniques d’interaction : association focus/contexte, distorsion, filtra 
  • Enjeux de la data visualisation multidimensionnelle 
 
Compétences visées : 
Les apprenants seront capables de :
  • Mesurer des indicateurs complexes, analyse des chemins courts et représenter visuellement ces données
  • Interagir efficacement avec les données et maitriser la data visualisation multidimensionnelle
 
Modalités d’évaluation : Travaux de groupes et projets.
ECUE 3 : Modèles Profonds pour la Vision Artificielle et les Politiques d'Action (Coef : 1) - 42h (Cours, TP, Projet) - 10h (Estimation temps de travail personnel)
 
Objectifs :  
  • Maitriser les outils d’apprentissage de politique (apprentissage par renforcement) 
  • Maitriser les algorithmes IA Deep notamment
 
Contenu : 
  • Algorithmes Deep dans un contexte d'images
    • Structures élémentaires convolutionnelles et entièrement connectées
    • Etude des fonctions de cout
    • Etude des processus d'optimisation (Dropout, TL, ...)
  • Apprentissage de politique
    • Formulation d’un problème d’apprentissage par renforcement 
    • Algorithme Q-learning 
    • Etude des hyperparamètres 
  • Deep Q-learning  
    • Contexte historique : DeepMind, AlphaGo 
    • Etude de la structure Deep Q-learning : double structure, Buffer, fonction de coût 
    • Etude de l’algorithme d’apprentissage Deep Q-learning : concept, utilisation des FrameWorks 
    • Evolution : Gradient de politique 
 
Compétences visées : 
  • Capacité à mettre en œuvre des techniques d’apprentissage de politique, de prise en compte de l’environnement
  • Maîtrise de techniques adaptées à des corpus variés
 
Modalités d'évaluation : projets

Modalité d'évaluation

  • Contrôle continu
  • Projet(s)
  • Mémoire
  • Examen final

Cette UE apparaît dans les diplômes et certificats suivants

Chargement du résultat...
Patientez

Contact

Cnam Nouvelle Aquitaine
2 Avenue Gustave Eiffel Téléport 2
86960 Chasseneuil Futuroscope
Tel :05 49 49 61 20
naq_info@lecnam.net

Voir le calendrier, le tarif, les conditions d'accessibilité et les modalités d'inscription dans le(s) centre(s) d'enseignement qui propose(nt) cette formation.

Enseignement non encore programmé