UE I9IA-C -Applications de l'Intelligence Artificielle

Bases de la vision par ordinateur : formation et géométrie de l'image, filtres/contours, caractéristiques visuelles.
Classification, détection d'objets et segmentation sémantique : principes des CNNs, architectures R-CNN/YOLO, U-Net, Mask R-CNN, etc.
Modèles génératifs pour le traitement et l'analyse d'images (VAEs, GANs, etc).
Autres approches de l'état de l'art.
Réalisation d'un projet mettant en œuvre les concepts étudiés.

Voir la page complète

Ce cours aborde les défis posés par les réseaux neuronaux modernes, qui nécessitent une mémoire et une puissance de calcul importantes, rendant difficile leur déploiement sur des dispositifs mobiles et périphériques. De plus, l'échelle et la complexité croissantes des réseaux neuronaux rendent l'entraînement très exigeant en ressources, créant souvent des goulets d'étranglement qui ralentissent les progrès des applications d'IA. Le cours est divisé en deux parties principales : l'amélioration de l'efficacité de l'inférence et l'optimisation du processus d'entraînement.
Dans la première partie, les étudiants se concentreront sur l'amélioration de l'efficacité de l'inférence en évaluant l'efficacité des réseaux neuronaux et en appliquant diverses techniques de compression, telles que le pruning, la factorisation tensorielle et la quantization, afin de créer des modèles plus petits et plus rapides sans perte de précision. La deuxième partie du cours est consacrée à l'optimisation du processus d'entraînement, en abordant les défis liés à la mise à l'échelle et à la complexité de l'entraînement des modèles d'IA modernes. Les étudiants exploreront des techniques telles que les méthodes d'économie de mémoire, y compris la re-materialization (activation checkpointing) et le offloading, ainsi que différents types de parallélisme—data, tensor, model, et pipeline parallelism—qui sont essentiels pour un entraînement efficace.
Le profilage des réseaux neuronaux pour identifier les goulets d'étranglement est souligné tout au long du cours, aidant les étudiants à comprendre et à résoudre les problèmes de performance tant pour l'inférence que pour l'entraînement. À la fin du cours, les étudiants auront acquis les compétences nécessaires pour optimiser la performance des réseaux neuronaux et réussir le déploiement et l'entraînement de modèles d'IA avancés dans des scénarios réels.

Voir la page complète

Données déséquilibrées

Choix du modèle, choix de la métrique
Travail sur les données
Application à un cas industriel sur données de capteurs

Détection d'objets

Utilisation de modèles pré-entraînés
Transfer learning
Application à un cas industriel sur données de vision par ordinateur

Déploiement

Packaging d'un modèle ML
Usage de FastAPI et Docker
Notions de monitoring d'un modèle

Voir la page complète

* Traitement de représentations numériques musicales symboliques (MIDI, MusicXML) et audio.* Extraction de descripteurs haut niveau et encodages pour l'apprentissage automatique (segmentation en vecteurs, tokenization)* Classification stylistique et détection de structure (régression logistique, HMMs, MLP, RNNs)* Génération de contenu (chaînes de Markov, RNNs)* Autres techniques d'apprentissage automatique dans le domaine du Music Information Retrieval* Réalisation d'un projet mettant en œuvre les concepts étudiés.

Voir la page complète

Ce projet s'intéresse à l'aide à la préhension par des outils de vision par ordinateur aux amputés des membres supérieurs équipés de neuroprothèses.
Suivi des objets à saisir dans la vidéo égocentrée: approche par l'apprentissage incrémental temporel

Bases technologiques d'un flux vidéo
Estimation de déplacement
CNN et modèles attentionnels pour la vidéo
Introduction à l'apprentissage continu

Cours enseigné en anglais.

Voir la page complète