Soraya Arias (INRIA) & E. Maldonado (INRAE) & J.L Parouty (CNRS).

Réseaux de neurones convolutifs (CNN) et Réseaux antagonistes génératifs (GAN) avec Keras/Tensorflow.

• Maitrise de Python et des principes fondamentaux du DL.
• Distribution Anaconda (a discuter).

Utilisation de TensorFlow, Keras et TensorBoard via des notebooks Jupyter (80% TP)

Aborder des architectures et problématiques plus complexes et appréhender la problématique des données à travers des exemples accessibles :

• Convolutionnal Neural Network.
• Variational Autoencoder (VAE)
• GAN.

Remarque: La puissance de calcul nécessaire va fortement limiter la complexité des exemples abordés.

Réseaux de neurones convolutifs (CNN)

• Principe et architectures.
• Convolutions, pooling, dropout, …
• Préparation des données, datasets, …
• Modèles.
• Apprentissage et évaluation.
• Utilité (=nécessité !) des GPUs.

Modèles génératifs (VAE, GAN)

• Principe et architectures.
• Convolutions.
• Préparation des données, datasets, …
• Modèles.
• Apprentissage et évaluation.
• Couplage Notebooks - batch.
• Utilité (=totale nécessité !) des tier2 et tier1. Jean-Zay.

Autoencoder, Intelligence artificielle, Machine Learning, Deep Learning, Framework et environnements, Keras, Jupyter Lab, Matplotlib, Numpy, TensorFlow, Datasets, neurones convolutifs, , Réseaux, antagonistes, génératifs, CNN, DL, ML, FNN, RNN, , GAN, Variational, VAE.