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
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 échec module de rattrapage: https://www.tensorflow.org/lite/examples?hl=fr https://www.ljll.math.upmc.fr/~smets/LM339/LM339.pdf
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
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