SC23Deep learning pour le traitement d’images par la pratique

Bases du machine learning (1 journée)

• Types d’apprentissage (supervisé, non supervisé, par renforcement)
• Tâches d’apprentissage (régression, classification)
• Test et validation d’un algorithme d’apprentissage (notions de crossvalidation, batch, epoch, overfitting)
• Grandes familles d’algorithmes (SVM, arbres de décision, Random Forest, réseaux de neurones)
• Illustration sous Python

Bases du deep learning (1 journée)

• Principales architectures de réseaux de neurones (convolutif, récurrent, autoencodeurs).
• Optimisation d’une architecture (transfer learning, data augmentation)
• Initiation à Tensor FLow
• Travaux pratiques sur la base d’images pour la reconnaissance de caractères MNIST

Exercices (1 journée)

• Mise en application des principes étudiés sur des exemples d’imagerie computationnelle