Objectifs :
Approfondissez vos connaissances en Deep Learning à travers le prisme des auto-encodeurs, une technique encore aujourd’hui mise en œuvre dans l’industrie pour la compression de données et la détection d’anomalies.

Une première partie présentera les notions-clés et la terminologie, suivie de l’apprentissage de représentations, puis des différents cas d’usage. Tout au long de la formation, nous alternerons entre théorie et mise en pratique.

- Comprendre le fonctionnement des auto-encodeurs
- Définir l’espace latent et son intérêt
- Savoir ce qu’est l’apprentissage de représentations

Programme :
- Première partie d’introduction informative sur les auto-encodeurs, leur fonctionnement, utilisation et entraînement. Aperçu des données du cas pratique et application avec notre modèle d’auto-encodeur.

- Deuxième partie sur l’apprentissage de représentations, ou comment notre auto-encodeur représente la donnée à sa façon. Lien avec le cas pratique et le modèle entraîné.

- Troisième partie sur différentes adaptations de ces auto-encodeurs aux possibles cas d’études que l’on peut rencontrer, en fonction de la question posée ou des données utilisées. Mise en pratique sur nos données. Un aparté présente trois papiers récents, dans trois domaines différents, qui reposent sur des principes d’auto-encodeurs.

Pré-requis :
- Ordinateur personnel
- La connaissance des concepts basiques du deep learning (descente de gradient, multi-layer perceptron, fonction de coût/perte, …) est nécessaire
- Connaissance de Python (et sa syntaxe) pour suivre le cas pratique
- Compte Google pour un accès à Google Colab conseillé, sauf pour les personnes souhaitant suivre le cas pratique sur leur propre machine

Méthode pédagogique :
Cours magistral avec travaux pratiques

Compétences acquises à l'issue de la formation :
- Être capable d’expliquer ce que sont les auto-encodeurs et comment ils fonctionnent
- Rôle de l’espace latent et son utilité dans le traitement de données
- Saisir les différents cas d’utilisations d’auto-encodeurs et leurs applications possibles
- Être capable de définir l’apprentissage de représentations

Les Compétences et capacités visées à l'issue de la formation (fiches RNCP)

Arrêté du 22 février 2019 définissant les compétences des diplômés du doctorat et inscrivant le doctorat au répertoire national de la certification professionnelle. https://www.legifrance.gouv.fr/loda/id/JORFTEXT000038200990/

Bloc 1 : Conception et élaboration d’une démarche de recherche et développement, d’études et prospective

- Disposer d'une expertise scientifique tant générale que spécifique d'un domaine de recherche et de travail déterminé

- Identifier et résoudre des problèmes complexes et nouveaux impliquant une pluralité de domaines, en mobilisant les connaissances et les savoir-faire les plus avancés

- S’adapter en permanence aux nécessités de recherche et d’innovation au sein d’un secteur professionnel

Bloc 2 : Mise en œuvre d’une démarche de recherche et développement, d’études et prospective

- Mettre en œuvre les méthodes et les outils de la recherche en lien avec l’innovation

Bloc 4 : Veille scientifique et technologique à l’échelle internationale

- Acquérir, synthétiser et analyser les données et informations scientifiques et technologiques d’avant-garde à l’échelle internationale

- Disposer d’une compréhension, d’un recul et d’un regard critique sur l’ensemble des informations de pointe disponibles

La formation participe à l'objectif suivant :être directement utile pour la réalisation des travaux personnels de recherche