[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-966654","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  Math\u00e9matiques des mod\u00e8les g\u00e9n\u00e9ratifs\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          4\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemestre calendaire :\n          Semester 2\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\u003ECours magistraux :\u003C\/span\u003E\n                                      \u003Cspan\u003E24\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\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003ELe cours est structur\u00e9 en quatre grands blocs, alternant th\u00e9orie (CM) et pratique (TP).\u003C\/p\u003E\n\u003Cp\u003E1. Panorama et mod\u00e8les \u00e0 vraisemblance explicite :\u003Cbr\u003E\n- Histoire, taxonomie et relations entre les familles de mod\u00e8les.\u003Cbr\u003E\n- Distinction g\u00e9n\u00e9ratif\/discriminant.\u003Cbr\u003E\n- Mod\u00e8les autor\u00e9gressifs.\u003Cbr\u003E\n- Auto-Encodeurs (AE) et Auto-Encodeurs Variationnels (VAE).\u003C\/p\u003E\n\u003Cp\u003E2. L\u0027approche adversariale :\u003Cbr\u003E\n- Th\u00e9orie des R\u00e9seaux Antagonistes G\u00e9n\u00e9ratifs (GAN).\u003Cbr\u003E\n- Architectures (DCGAN) et d\u00e9fis pratiques.\u003C\/p\u003E\n\u003Cp\u003E3. Mod\u00e8les de l\u0027\u00e9tat de l\u0027art bas\u00e9s sur les flux et l\u0027\u00e9nergie :\u003Cbr\u003E\n- Mod\u00e8les \u00e0 flux normalisant (Normalizing Flows).\u003Cbr\u003E\n- Mod\u00e8les bas\u00e9s sur l\u0027\u00e9nergie (EBM) et dynamique de Langevin.\u003Cbr\u003E\n- Mod\u00e8les de diffusion et Flow Matching.\u003C\/p\u003E\n\u003Cp\u003E4. Synth\u00e8se, applications et perspectives :\u003Cbr\u003E\n- Mod\u00e8les de fondation.\u003Cbr\u003E\n- \u00c9valuation des mod\u00e8les et mise en application.\u003Cbr\u003E\n- Perspectives de recherche actuelles du domaine.\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\u003Cul\u003E\n\u003Cli\u003EClassifier les grandes familles de mod\u00e8les g\u00e9n\u00e9ratifs (autor\u00e9gressifs, variationnels, adversariaux, bas\u00e9s sur les flux, bas\u00e9s sur l\u0027\u00e9nergie, etc.) et comprendre leurs liens.\u003C\/li\u003E\n\u003Cli\u003EComprendre les fondements th\u00e9oriques des architectures cl\u00e9s : VAE, GAN, Mod\u00e8les de Diffusion, Normalizing Flows, Flow Matching et les mod\u00e8les de fondation.\u003C\/li\u003E\n\u003Cli\u003EMa\u00eetriser les concepts avanc\u00e9s inspir\u00e9s de la dynamique de Langevin.\u003C\/li\u003E\n\u003Cli\u003EImpl\u00e9menter des versions fonctionnelles des mod\u00e8les principaux (VAE, GAN, Diffusion) en utilisant PyTorch.\u003C\/li\u003E\n\u003Cli\u003EIdentifier les d\u00e9fis actuels et les perspectives de recherche du domaine.\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}]