Université Lyon 1
Arqus
Accueil  >>  Master  >>  Informatique  >>  M2 Intelligence artificielle  >>  Apprentissage profond et image
  • Domaine : Masters du domaine SCIENCES ET TECHNOLOGIES
  • Diplôme : Master
  • Mention : Informatique
  • Parcours : M2 Intelligence artificielle
  • Unité d'enseignement : Apprentissage profond et image
Nombre de crédits de l'UE : 3
Code APOGEE : INF2467M
UE Libre pour ce parcours
UE valable pour le semestre 1 de ce parcours
    Responsabilité de l'UE :
DIGNE MATZ JULIE
 julie.digne-matzuniv-lyon1.fr
04.72.43.14.34
MEYER ALEXANDRE
 alexandre.meyeruniv-lyon1.fr
04.72.43.19.75
    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 :
Quelques notions d'apprentissage machine est un plus.
    Compétences attestées (transversales, spécifiques) :
Non rédigé
    Programme de l'UE / Thématiques abordées :

Cette UE du Master ID3D est également ouverte aux étudiants du Master IA qui souhaitent ouvrir leurs compétences à l'Image.

Après un rapide rappel sur les approches classiques d’apprentissage machine (SVM, Random Forests, boosting, dictionary learning, etc.), l’UE présentera les méthodes récentes de réseaux de neurones profonds (deep learning). Le cours détaillera le principe des réseaux (notion de poids, fonction d’activation, traitement des données), leur entrainement (optimisation, SGD, backpropagation), et donnera aussi certaines techniques de régularisation pour aider à un meilleur apprentissage en limitant les problèmes de sur-apprentissage.

Le cours présentera comment ces approches d’apprentissage sont utilisées pour attaquer les problèmes classiques liés à l’image comme la classification, l'extraction d'informations, la reconnaissance de formes, le suivi, la segmentation, etc. Un large panel des différents types de réseaux (CNN, auto-encoder, LTSM, GAN, etc.) sera donné, ainsi que leurs applications à des problèmes élaborés allant de l’édition (super-résolution, transfert de motifs, de palettes) jusqu’aux méthodes génératives (génération de visages, de maillage, d’animations, de textures, etc.) plus ou moins guidé par l’utilisateur.

    Liste des autres Parcours / Spécialité / Filière / Option utilisant cette UE :
Date de la dernière mise-à-jour : 22/12/2022
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='25970' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`