Université Lyon 1
Arqus
  • Domaine : Masters du domaine SCIENCES ET TECHNOLOGIES
  • Diplôme : Master
  • Mention : Electronique, énergie électrique, automatique
  • Parcours : M2 Modélisation, Simulation et Optimisation des Systèmes Multiphysiques
  • Unité d'enseignement : Intelligence artificielle et analyse de données
Nombre de crédits de l'UE : 3
Code APOGEE : GEP1185M
UE Libre pour ce parcours
UE valable pour le semestre 1 de ce parcours
    Responsabilité de l'UE :
DUFOUR PASCAL
 pascal.dufouruniv-lyon1.fr
NADRI WOLF MADIHA
 madiha.nadri-wolfuniv-lyon1.fr
    Type d'enseignement
Nb heures *
Cours Magistraux (CM)
15 h
Travaux Dirigés (TD)
0 h
Travaux Pratiques (TP)
15 h
Durée de projet en autonomie (PRJ)
0 h
Durée du stage
0 h
Effectif Cours magistraux (CM)
210 étudiants
Effectif Travaux dirigés (TD)
35 étudiants
Effectif Travaux pratiques (TP)
18 étudiants

* Ces horaires sont donnés à titre indicatif.

    Pré-requis :
Mathematics, notions of probability
    Compétences attestées (transversales, spécifiques) :
Français 
  • Savoir concevoir et implémenter un modèle de réseaux de neurones en utilisant le deep learning.
  • Savoir mettre en œuvre un contrôle basé sur l'apprentissage par renforcement.

English 
  • Know how to design and implement a neural networks model using deep learning.
  • Know how to implement control based on reinforcement learning.
    Programme de l'UE / Thématiques abordées :
Français 

Introduction :
classification, régression, ajustement, généralisation, modèles linéaires et linéaires généralisés, moindres carrés Régularisation

Théorie de l'apprentissage :
  • Minimisation du risque empirique
  • Apprentissage et PAC-Learning-
  • Dimension VC- Biais / Variance et Biais / Complexité
  • Convergence uniforme - La double courbe en U
Apprentissage profond et réseaux de neurones
  • Perceptrons, MLP- Théorème d'approximation universel
  • Descente de gradient stochastique, rétropropagation
  • Autograd- Réseaux convolutifs- Réseaux récurrents
  • Réseaux de graphes et transformateurs
  • Apprentissage par renforcement
  • Transfert de connaissances et adaptation au domaine
  • Apprentissage semi-supervisé et auto-supervisé

English

Introduction:
classification, regression, fitting, generalization Generalized linear and linear models, least squares Regularization

Learning theory: 
- Minimization of empirical risk
- Learnability and PAC-Learning
- Dimension VC- Bias / Variance and Bias / Complexity
- Uniform Convergence- The double U-Curve

Deep Learning and Neural Networks 
- Perceptrons, MLP- Universal approximation theorem
- Stochastic gradient descent, backpropagation
- Autograd
- Convolutional networks
- Recurring networks
- Graph networks and transformers
- Reinforcement learning
- Knowledge transfer and domain adaptation
- Semi-supervised and self-supervised learning
Date de la dernière mise-à-jour : 20/11/2022
SELECT MEN_ID, `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`, `PAR_ID` FROM parcours INNER JOIN ue_parcours ON PAR_ID_FK=PAR_ID INNER JOIN mention ON MEN_ID = PAR_MENTION_FK WHERE PAR_ACTIVATE = 0 AND UE_ID_FK='25678' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`