Ingénierie Avancée des Systèmes Robotisés et Intelligence Artificielle

système d'entrée

Système d'apprentissage

Système de sortie

Description du cours

Titre: Advanced Deep Learning and Swarm algorithm

Objectifs généraux

images
Durée: 14h

Public Cible: 2ème année mastère professionnelle université

Prérequis: Python, Machine Learning, Deep learning, optimisation

A la fin de ce cours les participants seront en mesure de choisir la méthode adéquate d'optimisation basée sur le Deep Learning et Swarm Optimization
Cours à distance
l'évaluation est formative

Pré-test

Un exercice d'application de deep learning en python et de Particle swarm optimization

Si succès: accès à un autre cours

si echec: accès au cours

Test de prérequis

Un exercice sur application sur tensor flow, un autre exercice sur résolution d'un problème d'optimization linéaire

Si succès: accès au cours

Séquence 1: Introduction to advanced Deep Leaning

Ressources

Les objectifs spécifiques

Modalité d'enseignement

principales

Secondaires

Lecture1.2: les réseaux bayesiens

Lecture1.3:Algorithmes de Deep learning

Lecture1.1: les types d'algorithmes de Machine Learning

Video 1: Machine Learning Performance

Séquence 2: Particle Swarm optimization

Prérequis: Apprentissage supervisé et non supervisé

Liste des ressources

Lecture 1.4 Régularisation et optimisation

Mode d'evaluation

Formative par les tuteurs

Par les pairs

Activités

Activité 1 individuelle: QCM: différencier entre les différentes techniques d'apprentissage

Activité 2 collective: Implementer un exemple de classification de fleurs en utilisant Deep learning Livrable: code envoyé

Durée: 21 jours

Totalement à distance

Intervenants: Tuteur + groupe d'apprenants

Ressources

Critères d'evaluation: code fonctionnel ou non 60% , performance trouvée 40%

Activités

Modalité d'enseignement

Mode d'evaluation

Prérequis: Techniques d'Optimisation

Objectifs spécifiques

Durée 21 jours

Cours à distance

Livrable: réponse au QCM

click to edit

Modéliser et programmer des réseaux de neurones.

Calculer l'estimation du maximum de vraisemblance et l'estimation de Bayes

Maîtriser les concepts de l'hyperparamètre et de l'ensemble de validation

Ressources principales:

Ressources secondaires

Lecture 2.2: Algorithmes PSO

Vidéo 1: Exemple d'application de PSO en robotique

Lecture 2.1 : Méthodes d'optimisation évolutionnelles

Liste des liens

Lecture 2.3: Performance de PSO

Maîtriser les notions de l'optimisation évolutionnaire

Programmer les algorithmes d'optimisation basés sur PSO

Outils de communication

Forum de discussion

Sommative par les tuteurs

Par les pairs

Activité 1 collective: présentation d'un technique d'optimisation:

Activité 2 individuelle: Implementer un exemple d'optimisation en utilisant PSO Livrable: code envoyé

Livrable: présentation de l'équipe

Intervenants: Tuteur (énoncé)+ apprenant (programmeur)

Critères d'evaluation: code fonctionnel ou non 60% , performance trouvée 40%

Critères d'evaluation: clarté 20%, harmonie de l'équipe 20%, consistance 40%, coordination avec les membres de l'équipe 20%

Outils de communication

Forum de discussion

Réunion synchrone par visio-conférence

Activité de consolidation : individuelle: QCM récapitulatif des techniques étudiés

Intervenants: Tuteur (énoncé)+ apprenant (réponses)

Critères d'evaluation: réussir 80%

Oui succès

Non echec: Accès au module de rattrapage

Post-test: objectif: maîtriser le développement des 2 techniques intelligentes

Activité individuelle sous forme de devoir, livrable: devoir rendu

Durée: 2h dure

Mode d'evaluation: formative par le tuteur

Remédiation : 1-consulter la ressource 1
2-Schématiser les 2 techniques (Deep learning et PSO)
3-Identifier les utilisations des 2 techniques

Si score >50 succès

sinon passer à la remédiation