Objectif
Acquérir des connaissances fondamentales et appliquées des réseaux de neurones et de l'apprentissage profond. Maîtriser l'élaboration d'architectures complexes, leurs configurations et la sélection des unités/modules appropriés selon le contexte.
Contenu
Présentations des principes théoriques du fonctionnement des neurones artificielles. Techniques et méthodologies liées à l'entraînement des réseaux. Techniques du gradient et optimiseurs (SGD, Adam, RMSProp, Adagrad). Fonctions d'activation et hyperparamètres. Principales architectures de CNN, RNN, GAN, AE, etc. Unités et modules spécialisés pooling, attention, transformeur, réservoir, LSTM, GRU. Autoapprentissage et espaces latents. Modélisation des données complexes pour les réseaux de neurones. Optimisation des hyperparamètres et évaluation des modèles entraînés. Principales librairies pour l'apprentissage profond : Pytorch, Keras/Tensorflow ou autre.
Mode(s) de prestation
Présence
Présence de la professeure ou du professeur, de la personne chargée de cours ou de l’équipe pédagogique et des personnes étudiantes à un moment commun dans un lieu de formation déterminé (ex. : salle de classe physique, laboratoire, sortie sur le terrain).
Vidéoconférence
Cours offert simultanément par vidéoconférence à partir d’un site d’enseignement origine, où l’enseignement se fait en présence, sur un ou des sites (lieux de formation) distants identifiés par l’UQAR, selon les procédures et règlements en vigueur. Le cours est suivi de façon simultanée par tous.