Plan du cours
JOUR 1 - RÉSEAUX NEURONAUX 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.
- Révision 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 hebbien.
- Apprentissage compétitif.
Perceptrons à couche unique.
- Structure et apprentissage des perceptrons.
- Classificateur de motifs - introduction et classificateurs de Bayes.
- Perceptron comme classificateur de motifs.
- Convergence du perceptron.
- Limitations des perceptrons.
Réseau feedforward (avant). ANN
- Structures des réseaux feedforward multicouches.
- Algorithme de rétropropagation.
- Rétropropagation - entraînement et convergence.
- Approximation de fonctions avec la rétropropagation.
- Aspects pratiques et conception de l'apprentissage par rétropropagation.
Réseaux à fonction de base radiale.
- Séparabilité des motifs et interpolation.
- Théorie de la régularisation.
- Régularisation et réseaux RBF.
- Conception et entraînement des réseaux RBF.
- Propriétés d'approximation des RBF.
Apprentissage compétitif et RNA auto-organisé.
- Procédures de regroupement générales.
- Quantification vectorielle par apprentissage (LVQ).
- Algorithmes et architectures d'apprentissage compétitif.
- Cartes de caractéristiques auto-organisatrices.
- Propriétés des cartes de caractéristiques.
Réseaux neuronaux flous.
- Systèmes neuro-flous.
- Contexte des ensembles flous et de la logique floue.
- Conception des règles floues.
- Conception des RNA flous.
Applications
- Quelques exemples d'applications des réseaux neuronaux, ainsi que leurs avantages et problèmes, seront examinés.
JOUR 2 - APPRENTISSAGE AUTOMATIQUE
- Le cadre d'apprentissage PAC
- Garanties pour un ensemble d'hypothèses fini – cas cohérent
- Garanties pour un ensemble d'hypothèses fini – cas incohérent
- Considérations générales
- Scénarios déterministes vs. stochastiques
- Bruit d'erreur de Bayes
- Erreurs d'estimation et d'approximation
- Sélection du modèle
- Complexité de Rademacher et dimension de VC
- Compromis biais-variance
- Régularisation
- Surajustement (Over-fitting)
- Validation
- Machines à vecteurs de support (SVM)
- Kriging (régression de processus gaussiens)
- ACP et ACP noyau
- Cartes d'auto-organisation (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 lien avec les sujets abordés les jours 1 et 2.
- Régression logistique et Softmax
- Autoencodeurs clairsemés
- Vectorisation, ACP et blanchiment (whitening)
- Apprentissage autoguidé (Self-Taught Learning)
- Réseaux profonds
- Décodeurs linéaires
- Convolution et regroupement (pooling)
- Codage clairsemé
- Analyse en composantes indépendantes
- Analyse des corrélations canoniques
- Démonstrations et applications
Pré requis
Bonne compréhension des mathématiques.
Bonne compréhension des statistiques de base.
Des compétences de base en programmation 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
