Plan du cours
JOUR 1 - RÉSEAUX NEURONAUX ARTIFICIELS
Introduction et structure ANN.
- Bioneurones logiques et neurones artificiels. Modèle d'un ANN. Fonctions d'activation utilisées dans les ANN. Classes typiques d'architectures de réseau.
Mathematical Fondements et mécanismes d’apprentissage.
- Revisiter l'algèbre vectorielle et matricielle. Concepts d'espace d'état. Notions d'optimisation. Apprentissage par correction d'erreurs. Apprentissage basé sur la mémoire. Apprentissage hébbien. Apprentissage compétitif.
Perceptrons monocouche.
- Structure et apprentissage des perceptrons. Classificateur de modèles - introduction et classificateurs de Bayes. Perceptron comme classificateur de modèles. Convergence des perceptrons. Limites d'un perceptron.
ANN à réaction.
- Structures des réseaux à réaction multicouche. Algorithme de rétro-propagation. Rétro-propagation - formation et convergence. approximation fonctionnelle avec rétro-propagation. Problèmes pratiques et de conception de l'apprentissage de la rétro-propagation.
Réseaux de fonctions à base radiale.
- Séparabilité et interpolation des motifs. Théorie de la régularisation. Réseaux de régularisation et RBF. Conception et formation du réseau RBF. Propriétés d'approximation de RBF.
Apprentissage compétitif et auto-organisation ANN.
- Procédures générales de regroupement. Quantification vectorielle d'apprentissage (LVQ). Algorithmes et architectures d’apprentissage compétitif. Cartes de fonctionnalités auto-organisées. Propriétés des cartes de fonctionnalités.
Floue Neural Networks.
- Systèmes neuro-flou. Contexte d’ensembles flous et de logique. Conception de tiges floues. Conception d'ANN flous.
Applications
- Quelques exemples d'applications de réseaux neuronaux, leurs avantages et problèmes seront discutés.
JOUR -2 APPRENTISSAGE AUTOMATIQUE
- Le cadre d'apprentissage PAC Garanties pour un ensemble d'hypothèses finies – cas cohérent Garanties pour un ensemble d'hypothèses finies – cas incohérent Généralités Déterministe cv. Scénarios stochastiques Erreur de Bayes Bruit Erreurs d’estimation et d’approximation Sélection du modèle
Pré requis
Bonne compréhension des mathématiques.
Goa compréhension des statistiques de base.
Des compétences de base en programmation ne sont pas nécessaires mais recommandées.
Nos Clients témoignent (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
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.