S'inscrire

Apprentissage automatique pour la vision par ordinateur

Environnement scientifique et technique de la formation

Laboratoire d'informatique en image et systèmes d'information - UMR 5205

RESPONSABLES

Stefan DUFFNER

Maître de conférences

UMR 5205

Christophe GARCIA

Professeur

UMR 5205

LIEU

LYON (69)

ORGANISATION

3 jours
De 5 à 20 stagiaires
TP encadrés par 2 intervenants

COÛT PÉDAGOGIQUE

1800 Euros

A L'ISSUE DE LA FORMATION

Evaluation de la formation par les stagiaires
Envoi d'une attestation de formation

DATE DU STAGE

20323 : du lundi 15/06/2020 au mercredi 17/06/2020

Janvier Février Mars Avril
Mai Juin
20323
Juillet Août
Sept. Oct. Nov. Déc.

OBJECTIFS

- Connaître les principaux algorithmes et modèles d'apprentissage automatique supervisé et non-supervisé et leurs domaines d'application
- Comprendre le fonctionnement des approches basées sur des réseaux de neurones profonds (Deep Learning) et la vision par ordinateur
- Savoir mettre en œuvre un algorithme d'apprentissage automatique basé sur les réseaux de neurones convolutifs pour différents types de données images
- Savoir évaluer les performances de ces algorithmes sur un problème donné et connaître l'impact de différents paramètres d'apprentissage

PUBLIC

Chercheurs, ingénieurs ou titulaires d'un master travaillant dans la recherche et/ou le développement

PRÉREQUIS

Connaissance d'au moins un langage de programmation ; connaissances de base en probabilités et statistiques

PROGRAMME

Après une introduction générale sur les fondements de l'intelligence artificielle et de l'apprentissage automatique, les principales approches et applications seront expliquées et illustrées par des études de cas.
Les séquences du stage alterneront entre cours théoriques et séances pratiques (en Python, SciPy, PyTorch) avec un focus sur les réseaux de neurones et la vision par ordinateur


- Différents types d'approches en apprentissage automatique et préparation de données d'apprentissage
- Réduction de dimension et extraction de caractéristiques
- Réseaux de neurones
- Apprentissage profond
- Méthodes non-supervisées et approches génératives (auto-encodeurs, GAN)
- Analyse de données séquentielles ou temporelles (RNN, LSTM)

Les participants ont la possibilité d'apporter leurs propres données qui pourront être utilisées lors des séances pratiques à des fins pédagogiques sous réserve de l'accord préalable du responsable de la formation. Cela sera précisé dans un questionnaire envoyé aux stagiaires quelques semaines avant la formation.

Alternance de cours (50 %) et de travaux pratiques (50 %)

EQUIPEMENT

Il est demandé aux stagiaires de venir avec leur propre ordinateur sur lequel les logiciels et outils (libres) nécessaires à la formation (communiqués avant le début du stage) seront préalablement installés.

Choisir une formation

Choisir un autre domaine

+ d'infos