Apprentissage et Deep Learning

Apprendre à formaliser un problème d'apprentissage
Connaître les notions d'apprentissage suoervisés et non supervisés, de régression et de classification
Comprend les principales méthodes d'apprentissage (KMeans, NL-Bayes, GMM, Support Vector Machines, Deep Learning)
Connaitre leurs applications
Savoir les appliquer.

Connaissances basiques en algèbre linéaire, probabilités et programmation.

Introduction: Pourquoi l'apprentissage ? Applications


Apprentissage non supervisé, Kmeans. Application au clustering de données


Apprentissage supervisé, KNN, NL-Bayes


Support Vector Machines : linear SVMs, the Kernel Trick. Application à la reconnaissance de caractères


Modèle par mélange de Gaussiennes, Maximum a posteriori. Application à la reconnaissance de locuteur


Deep Learning: Architecture, Optimisation. Stochastic Gradient Descent, DropOut, Data augmentation


Deep Learning: Réseaux de neurones convolutionnels. Application à la reconnaissance de caractères


Deep Learning : Modèles génératifs, Auto-encoders, GANs. Application au débruitage

Apprentissage et Deep Learning