[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-959574","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n  \u003Cdiv class=\u0022row\u0022\u003E\n    \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n      \u003Ch2 class=\u0022h1 text-left\u0022\u003E  Fondements Th\u00e9oriques du deep learning\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          5\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemester:\n          Semestre 1\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ELecture:\u003C\/span\u003E\n                                      \u003Cspan\u003E25\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003EPractical study :\u003C\/span\u003E\n                                      \u003Cspan\u003E5\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                                                          \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EFran\u00e7ais\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003Enon\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n    \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EPr\u00e9requis\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cul\u003E\n\u003Cli\u003EMaster 1 de Math\u00e9matiques, les bases en optimisation et apprentissage statistique.\u003C\/li\u003E\n\u003Cli\u003ENotions de base en Analyse, statistique et apprentissage machine, en programmation en python.\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003ENous commencerons par formaliser diff\u00e9rents mod\u00e8les de r\u00e9seaux et par d\u00e9crire des algorithmes de back-propagation utilis\u00e9s pour leur minimisation. Le c\u0153ur du contenu math\u00e9matique du cours consistera ensuite en la pr\u00e9sentation de r\u00e9sultats r\u00e9cents sur :\u003C\/p\u003E\n\u003Cul\u003E\n\u003Cli\u003El\u0027optimisation non-convexe ;\u003C\/li\u003E\n\u003Cli\u003Eles propri\u00e9t\u00e9s du paysage de la fonction objectif ;\u003C\/li\u003E\n\u003Cli\u003Ela stabilit\u00e9 des minimiseurs (notamment dans le cas de r\u00e9seaux lin\u00e9aires structur\u00e9s); l\u0027interpr\u00e9tabilit\u00e9 des r\u00e9seaux;\u003C\/li\u003E\n\u003Cli\u003El\u0027expressivit\u00e9 des r\u00e9seaux, leur complexit\u00e9 de Rademacher et la r\u00e9gularisation avec le dropout ;\u003C\/li\u003E\n\u003Cli\u003Edes propri\u00e9t\u00e9s des Generative Adversarial Networks (GANs).\u003C\/li\u003E\n\u003Cli\u003Edes propri\u00e9t\u00e9s de robustesse d\u00e9cisionnelle des r\u00e9seaux profonds (incertitude, stabilit\u00e9).\u003C\/li\u003E\n\u003C\/ul\u003E\n\u003Cp\u003ECes r\u00e9sultats math\u00e9matiques seront compl\u00e9t\u00e9s par la pr\u00e9sentation moins math\u00e9matis\u00e9e de diff\u00e9rentes architectures et propri\u00e9t\u00e9s de r\u00e9seaux utilis\u00e9s en pratique.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EObjectifs d\u0026#039;apprentissage\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EL\u2019objectif principal de ce cours est de pr\u00e9senter des r\u00e9sultats repr\u00e9sentatifs de la recherche actuelle sur les justifications math\u00e9matiques des algorithmes d\u2019apprentissage profond; puis de faire le lien avec la mise en pratique de ces algorithmes.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EOrganisation g\u00e9n\u00e9rale et modalit\u00e9s p\u00e9dagogiques\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003E10 s\u00e9ances.\nValidation :\n\u2013 1 examen final (90% de la note)\n\u2013 1 travail \u00e0 la maison avec impl\u00e9mentation d\u2019algorithme (10% de la note)\n\u2013 Pour le rattrapage du cours, nous pr\u00e9voyons de faire un examen de rattrapage dont la note remplacera les notes pr\u00e9c\u00e9dentes.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n                        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EBibliographie\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cul\u003E\n\u003Cli\u003EBolte, Sabach, Teboulle, \u0022Proximal alternating linearized minimization for nonconvex and nonsmooth problems\u0022, Math. Prog. Vol 146, no 1-2, pp 59-594, 2014. - Baldi, Hornik, \u0022Neural networks and principal component analysis: Learning from examples witho.\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EEvaluation Continue non Int\u00e9grale\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n  \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]