SC23Deep learning pour le traitement d’images par la pratique
Le Deep Learning a révolutionné l'imagerie numérique ces dernières années. Grâce à des architectures de réseaux de neurones complexes, il est désormais possible d'extraire automatiquement des informations pertinentes des images.
Cette formation vous donnera les clés pour comprendre, développer et appliquer ces puissants outils afin de résoudre vos propres défis en imagerie.
- Découvrir les bases du maching learning
- Construire un réseau de neurones pour une application en traitement d'images
Voir les sessions
Ingénieur·es d'entreprises et d'administrations désirant maîtriser l'analyse et la conception de réseaux de neurones pour le traitement d’images
Avoir un minimum de connaissances de base en physique et mathématiques (bac +2 à 3) et en traitement d'images
Classification
Segmentation d’images
Apprentissage machine
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
Cours
Travaux pratiques sur machine
QCM en fin de formation
- David Rousseau - Enseignant-chercheur à l'Université d'Angers
