SC23Deep learning pour le traitement d’images par la pratique
New trainingLevel: Specialized
Audience:
Ingénieur·es d'entreprises et d'administrations désirant maîtriser l'analyse et la conception de réseaux de neurones pour le traitement d’images
Prerequisites:
Avoir un minimum de connaissances de base en physique et mathématiques (bac +2 à 3) et en traitement d'images
Language of the training: French
Maximum capacity: 12
Price: 1480 € HT -
Duration: 3 jours - 21 h
Objectives
A l’issue de la formation les stagiaires seront capables de construire leurs propres réseaux de neurones pour leurs applications en traitement d’images
Check the sessions
Addressed topics
Classification
Segmentation d’images
Apprentissage machine
The program
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
TP (1 journée)
- Mise en application des principes étudiés sur des exemples d’imagerie computationnelle
Methodology and assessment
Cours
Travaux pratiques sur machine
Quizz, QCM ou TD en fin de formation
Pedagogical manager(s):
- David Rousseau - Professor, Université d'Angers
All trainings:
