Intelligence Artificielle

• Overfitting / Underfitting

1. Introduction au réseau de neurones et deep-learning
2. Réseau de neurones
3. Régression sur PyTorch
4. Classification sur PyTorch
5. Enoncé exercices
6. Exercice réseau de neurones

1. Introduction au Réseau de neurones convolutionnels
2. Réseau de neurones convolutionnel
3. Convolution et Pooling sur Pytorch
4. Démo-convolution
5. GPU sur Colab
6. Enoncé exercices
7. Exercice réseau de neurones

1. Présentation projet IA
2. Enonce projet
3. Compétition Kaggle
4. Code pour recréer le projet

Réseau de neurones

• SVM et les réseaux de neurones : classification binaire
  (hyperplan, séparabilité linéaire, perceptron, fonction sigmoide, inséparabilité linéaire, kernel trick, heuristique et algorithme)
• SVM et les réseaux de neurones : classification multi-classes
  (one versus the rest, PCA, features, fonction softmax)
• Algorithme d'apprentissage d'un réseau de neurones
  (descente de gradient, minima local et global, courbure convexe, dérivée et gradient)
• Réseau de neurones fully connected et convolutionnel
  (fully connected, convolution, connectivité spatiale, connectivité en profondeur, padding et stride, pooling)
• (TP) Classifieur CNN sur ImageNette

Apprentissage par renforcement

• Processus décisionnel markovien
  (MDP, reward, fonction de valeur, programmation dynamique, itération de la valeur, Q-learning, méthode de Monté-Carlo, apprentissage par différence temporelle)
• (TP) Deep Q-learning

Traitement du signal (exercices)

• Notes