Réseaux de neurones et Apprentissage profond (US330X)

• Cours 1 - Réseaux de neurones et réseaux convolutifs
• TP 1 - Algorithme de rétro-propagation de l’erreur
  • Exercice 0 : Visualisation
  • Exercice 1 : Régression Logistique
  • Exercice 2 : Perceptron multi-couches (MLP)
• Cours 2 - Apprentissage profond : historique et modèles modernes
• TP 2 - Deep Learning avec Keras et Manifold Untangling
  • Exercice 1 : Régression Logistique avec Keras
  • Exercice 2 : Perceptron avec Keras
  • Exercice 3 : Réseaux de neurones convolutifs avec Keras
  • Exercice 4 : Visualisation avec t-SNE
  • Exercice 5 : Visualisation des représentations internes des réseaux de neurones
• Cours 3 - Apprentissage profond : architectures, optimisation et transfert
• TP 3 - Transfer Learning et Fine-Tuning
  • Version classique du TP (CPU)
  • Exercice 1 : Modèle ResNet-50 avec Keras
  • Exercice 2 : Extraction de « Deep Features »
  • Exercice 3 : Transfert sur VOC 2007
  • Exercice 4 : Fine-tuning sur VOC 2007
• Cours 4 - Apprentissage et données séquentielles
• TP 4 - Réseaux de neurones récurrents
  • Exercice 1 : Génération de poésie
  • Exercice 2 : Embedding Vectoriel de texte
• Cours 5 - Problématiques actuelles et questions ouvertes
• TP 5 - Vision et language
  • Exercice 1 : Simplification du vocabulaire
  • Exercice 2 : Création des données d’apprentissage et de test
  • Exercice 3 : Entraînement du modèle
  • Exercice 4 : Évaluation du modèle
• Instructions d’installation pour les TPs
  • Avec pip
  • Avec (mini)conda3

\(\\~\\\) \(\mathbf{\color{red}{\text{Les comptes-rendus de TME sont a rendre pour le 10 janvier 2022 midi au plus tard.}}}\)

• Envoyer vos CR par mail à nicolas.thome@lecnam.net et clement.rambour@lecnam.net

• Envoyer un seul fichier archive contenant tout votre CR, qui doit comprendre :

  • Un rapport détaillant les expérimentations du TME, analysant les résultats, et rappelant la partie théorique. Rapport à envoyer au format PDF.

  • Les codes sources (.py) de vos fichiers