Objectifs :
Fidle est une Formation d’Introduction au Deep Learning, en 20 séquences. L’objectif de la formation est de presenter les concepts fondamentaux du deep learning puis d’aller jusqu’aux architectures avancées(VAE, Transformers, GAN, ...).

L’IA permet actuellement de nombreuses avancées et est en passe de révolutionner nos pratiques. Les outils numériques utilisés, tels que les réseaux de neurones profonds, sont cependant peu explicables et potentiellement sensibles à des biais de discrimination. L'utilisation de l'IA dans des domaines ayant un fort impact social soulève donc d'importantes questions éthiques.Après un aperçu de ces questions éthiques, cette séquence s’intéressera au cadre légal et comment et de quelle manière le Droit peut y répondre, afin de protéger les citoyens.Différents exemples pratiques illustreront ensuite des mesures mises en place dans cette optique. Un aperçu de solutions récentes pour mesurer, détecter et corriger les biais de discrimination sera enfin donné.

Programme :
découpage en séquences relativement courtes, de 2h à 3h maximum :
Toutes les séquences seront proposées en Live, enregistrées et disponibles sur YouTube.
Il est donc possible de rattraper une séquence

Sommaire :

I. Bases, Concepts et enjeux

Séquence 1 : Contexte et historique, de la régression linéaire aux réseaux de neurones
Séquence 2 : Des données et des modèles, L’enfer des données et autres problèmes d’explicabilité
Séquence 3 : Démo / illustration (LLM + génération d’image)
Séquence 4 : AI, droit, société et éthique

II. Résoudre mon problème avec de l’IA 🛰️

Séquence 5 : Mathématiques, gradients everywhere !!!
Séquence 6 : Méthodologie des modèles/apprentissage + fine-tuning + TP
Séquence 7 : Réseaux convolutifs CNN
Séquence 8 : RNN et Embedding
Séquence 9 : Transformers
Séquence 10 : Travailler avec des données structurées : Graph Neural Network (GNN)
Séquence 11 : Autoencodeur (AE), un exemple d'apprentissage self supervised
Séquence 12 : Variational Autoencoder (VAE), jouer avec les espaces latents
Séquence 13 : Generative Adversarial Networks (GAN)
Séquence 14 : Diffusion model, text to image
Séquence 15 : Tactiques et stratégies du Deep Reinforcement Learning.
Séquence 16 : Des neurones pour la physique, les physics-informed neural networks (PINNS)

III. Acteur de l’IA, Optimisation, conception, etc. 🛠️

Séquence 17 : Apprendre plus vite et moins cher, optimiser l’apprentissage et réduire notre empreinte carbone
Séquence 18 : Passer à la vitesse supérieure : l’accélération matérielle
Séquence 19 : Sytème complexes et multi-modalité
Séquence 20 : Cas pratiques / retour d’expérience
Et aussi :
JDLS2024 : Journée Deep Learning pour la Science 👩‍🔬

La formation participe à l'objectif suivant :former à l’éthique de la recherche et à l’intégrité scientifique