logo
v2.11.0 (5353)

Parcours - MOD-IFIE3-S1-AnadonAvancee : Analyse avancée de données

Domaine > Institut Clément Ader Albi.

Descriptif

Ce module vise à fournir les notions clés de l'apprentissage automatique (« Machine Learning »), domaine en pleine expansion aujourd’hui dans de nombreux domaines scientifiques et devenant essentiel pour traiter les collections de données (images, signaux, etc). Ce module présentera différents types de courants d'apprentissage automatique (supervisé et non supervisé) et leurs applications, puis se focalisera sur l’apprentissage profond. L’apprentissage profond (« Deep Learning ») est un sous-domaine de l’apprentissage automatique principalement basé sur l’utilisation de réseaux de neurones. Bien que les techniques soient présentées dans une perspective large et générale, les applications se concentreront sur de l’analyse d’images (« Computer Vision »).

Les sessions alterneront entre cours magistraux visant à détailler les concepts de base et éléments théoriques, et TDs / mini-projets pour la pratique réelle des algorithmes d’apprentissage automatique.

Objectifs pédagogiques

A la fin de ce module, les élèves seront capables de :

- mettre en forme et prétraiter des données en amont d’une analyse par algorithme d’apprentissage automatique ;

- comprendre les principaux algorithmes à la base de l’apprentissage automatique supervisé et non-supervisé ;

- mettre en œuvre des algorithmes d’apprentissage automatique (« Machine Learning ») et profond (« Deep Learning ») existants et adaptés aux données et aux objectifs de l’analyse (problèmes de classification et de régression à partir de base de données d’images) ;

- évaluer, améliorer et présenter sous forme de visualisations adaptées les performances d’un algorithme d’apprentissage automatique.

Diplôme(s) concerné(s)

UE de rattachement

Pour les élèves du diplômeDiplôme d'Ingénieur IMT Mines Albi

Aucun pré-requis.

Format des notes

Numérique sur 20

Pour les élèves du diplômeDiplôme d'Ingénieur IMT Mines Albi

Vos modalités d'acquisition :

Eléments d'évaluations du module :

- Questionnaire en ligne à la fin du module (page Campus) ;

- Soutenance orale du projet.

Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)

    Le coefficient de l'enseignement est : 1

    Programme détaillé

    Séquence Intitulé Cours (h) TD (h) Projet (h) Outils numériques
    1 CM1 - Introduction au Machine Learning 1.5      
    2 TD1   1.5   Python
    3 CM2 - Deep learning : réseaux de neurones 1.5      
    4 TD2   1.5   Python
    5 CM3 - Deep learning : réseaux de neurones de convolution 1.5      
    6 TD3   1.5   Python
    7 CM4 - Deep learning : applications et optimisations 1.5      
    8 TD4   1.5   Python
    9 CM5 - Réseaux récurrents et compléments 1.5      
    10 TD5   1.5   Python
    11 Projet     3 Python
    12 Projet     3 Python
    13 Projet     3 Python
    14 Projet     3 Python
    15 Projet     3 Python
    16 Soutenance orale     1.5  
      TOTAL 7.5 7.5 15  

    Méthodes pédagogiques

    Cours magistraux, Travaux dirigés (TD), Projet en autonomie.
    Veuillez patienter