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: 1550 € HT -
Duration: 3 jours - 21 h
Objectives
- Découvrir les bases du maching learning
- Construire un réseau de neurones pour une application 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
Exercices (1 journée)
- Mise en application des principes étudiés sur des exemples d’imagerie computationnelle
Methodology and assessment
Cours
Travaux pratiques sur machine
QCM en fin de formation
Pedagogical manager(s):
- David Rousseau - Professor, Université d'Angers
All trainings:
