Plan du cours
JOUR 1 - RÉSEAUX DE NEURONES ARTIFICIELS
Introduction et structure des RNA.
- Neurones biologiques et neurones artificiels.
- Modèle d'un RNA.
- Fonctions d'activation utilisées dans les RNA.
- Classes typiques d'architectures de réseaux.
Fondements mathématiques et mécanismes d'apprentissage.
- Rappel de l'algèbre vectorielle et matricielle.
- Concepts d'espace d'état.
- Concepts d'optimisation.
- Apprentissage par correction d'erreur.
- Apprentissage basé sur la mémoire.
- Apprentissage hébbien.
- Apprentissage concurrentiel.
Perceptrons monocouches.
- Structure et apprentissage des perceptrons.
- Classificateur de motifs - introduction et classificateurs de Bayes.
- Le perceptron en tant que classificateur de motifs.
- Convergence du perceptron.
- Limites des perceptrons.
RNA en avant (feedforward).
- Structures des réseaux multicouches en avant.
- Algorithme de rétropropagation.
- Rétropropagation - entraînement et convergence.
- Approximation fonctionnelle avec la rétropropagation.
- Problèmes pratiques et de conception liés à l'apprentissage par rétropropagation.
Réseaux de fonctions radiales de base.
- Séparabilité des motifs et interpolation.
- Théorie de la régularisation.
- Régularisation et réseaux RBF.
- Conception et entraînement de réseaux RBF.
- Propriétés d'approximation des RBF.
Apprentissage concurrentiel et RNA auto-organisants.
- Procédures de regroupement générales.
- Quantification vectorielle (LVQ).
- Algorithmes et architectures d'apprentissage concurrentiel.
- Cartes de caractéristiques auto-organisées.
- Propriétés des cartes de caractéristiques.
Réseaux de neurones flous.
- Systèmes neuro-flous.
- Contexte des ensembles et de la logique flous.
- Conception de systèmes flous.
- Conception de RNA flous.
Applications
- Quelques exemples d'applications des réseaux de neurones, leurs avantages et leurs problèmes seront discutés.
JOUR 2 - APPRENTISSAGE AUTOMATIQUE
- Le cadre d'apprentissage PAC
- Garanties pour un ensemble hypothèses fini – cas consistant
- Garanties pour un ensemble hypothèses fini – cas incohérent
- Généralités
- Scénarios déterministes vs stochastiques
- Bruit d'erreur de Bayes
- Erreurs d'estimation et d'approximation
- Sélection de modèle
- Complexité de Rademacher et dimension VC
- Compromis biais-variance
- Régularisation
- Surapprentissage
- Validation
- Machines à vecteurs de support (SVM)
- Krigage (régression par processus gaussien)
- ACP et ACP de noyau
- Cartes auto-organisées (SOM)
- Espace vectoriel induit par noyau
- Noyaux de Mercer et métriques de similarité induites par noyau
- Apprentissage par renforcement
JOUR 3 - APPRENTISSAGE PROFOND
Ce module sera enseigné en relation avec les sujets couverts aux jours 1 et 2
- Régression logistique et Softmax
- Auto-encodeurs creux
- Vectorisation, ACP et blanchiment
- Apprentissage autonome (Self-Taught Learning)
- Réseaux profonds
- Décodeurs linéaires
- Convolution et pooling
- Codage creux
- Analyse en composantes indépendantes
- Analyse de corrélation canonique
- Démonstrations et applications
Pré requis
Bonne compréhension des mathématiques.
Bonne compréhension de la statistique de base.
Les compétences en programmation de base ne sont pas requises, mais sont recommandées.
Nos clients témoignent (2)
Travailler à partir des principes fondamentaux de manière concentrée, puis passer à l'application d'études de cas le même jour
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique
