Université Lyon 1
Arqus
Accueil  >>  Master  >>  Physique fondamentale et applications  >>  M2 Optique et Photonique (OPHO)  >>  Intelligence artificielle pour la physique
  • Domaine : Masters du domaine SCIENCES ET TECHNOLOGIES
  • Diplôme : Master
  • Mention : Physique fondamentale et applications
  • Parcours : M2 Optique et Photonique (OPHO)
  • Unité d'enseignement : Intelligence artificielle pour la physique
Nombre de crédits de l'UE : 3
Code APOGEE : PHY2446M
UE Libre pour ce parcours
UE valable pour le semestre 1 de ce parcours
    Responsabilité de l'UE :
ALLOUCHE ABDUL RAHMAN
 abdul-rahman.alloucheuniv-lyon1.fr
04.72.43.19.29
    Type d'enseignement
Nb heures *
Cours Magistraux (CM)
9 h
Travaux Dirigés (TD)
0 h
Travaux Pratiques (TP)
13.5 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.

    Compétences attestées (transversales, spécifiques) :
Non rédigé
    Programme de l'UE / Thématiques abordées :

Après une formation rapide à python (notions de base), les étudiants apprendront à utiliser les librairies numpy et pandas afin d'explorer de gros jeux de données (big data) et de les visualiser avec matplotlib ou seaborn.  Les concepts fondamentaux de l’apprentissage automatique (Machine Learning) seront ensuite présentés. Les étudiants seront alors formées aux différents techniques de l'apprentissage en utilisant la librairie scikit-learn pour les méthodes standards et tensorflow pour l'approche deep learning.

Ils apprendront les :

- Algorithmes de l'apprentissage supervisé :

                Régression : linéaire et logistique

                Classifications : KNN (k-nearest neighbors), SVM

- Algorithmes de l'apprentissage non supervisé :

                  Partitionnement : K-Means et DBSCAN

                 Réduction de dimensions : PCA

                 Détection d'anomalies : Isolation Forest

- Réseaux de neurones :

                 Comprendre l'objectif et le fonctionnement

                 Deep Learning avec Tensorflow

- Bonnes pratiques de la gestion de projet de Machine Learning / Deep Learning

Les différents concepts abordés seront illustrés sur des applications simples, réelles : Prédiction du prix d'un appartement, Classification d'images, Identification des groupes ayant des caractéristiques similaires (caractère « polluant » de  véhicules par exemple), Visualisation des données complexes par PCA, ...

La formation se termine par le développement d'un projet autour de l'un des thématiques de recherche dans les laboratoires de physique de Lyon. 

Mots clés : Apprentissage automatique : Supervisé (Classification, régression), Non supervisé (Clustering, Réduction dimensionnelle), Deep Learning et réseau de neurones.

Date de la dernière mise-à-jour : 12/07/2022
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='25079' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`