Descriptif
Ce module a pour objectif, au travers d'applications industrielles, de conforter les principes approches algorithmiques liées aux IA.
Objectifs pédagogiques
À la fin de ce module, les élèves seront sensibilisés aux :
- Principales méthodes (réseaux de neurones, méta modèles, réduction de modèles…)
- À des applications concrètes dans l’industrie
- Application réseaux neurones aux écoulements milieux fibreux
- Applications IA à l’usinage
- Applications jumeaux numériques aux matériaux céramiques
Applications Recurent Neural Network aux lois de comportement viscoélastique non-linéaire
Pour les élèves du diplômeDiplôme d'Ingénieur IMT Mines Albi
- Machine learning / Régression Linéaire
- Deep learning / ConvNets
- Langage de programmation Python
Format des notes
Numérique sur 20Pour les élèves du diplômeDiplôme d'Ingénieur IMT Mines Albi
Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)Le coefficient de l'enseignement est : 1
Programme détaillé
Conférence Introductive IA
TAPE Machine learning & Deep learning:
- Machine learning / Régression Linéaire
- Deep learning / ConvNets
- Présentation d’un projet par un groupe
- Python
Partie convolution (SCNN) / Convutionnal neural network
Partie méta modèle et réduction de dimension
- Apprentissage de variétés pour la réduction de dimension
- Apprentissage de variétés linéaires par morceaux
- Apprentissage de variétés pour la réduction de dimension par auto-encodeurs
Recurent Neural Network (RNN):
- Applications Loi de comportement viscoélastique non-linéaire
Application réseaux neurones (informés par la physique) :
- PINN
- Écoulements milieux fibreux
- RTM (notebooks Jupyter)