Ce cours est consacré aux modèles linéaires généralisés et à leurs
généralisations. Une grande partie de ce cours traite des modèles
catégoriels, où les variables à expliquer sont qualitatives plutôt que
quantitatives. Certaines extensions seront aussi étudiées telles que les
réseaux bayésiens. La connaissance de logiciels de statistique sera
demandée car le contrôle des connaissance s'articulera autour
d'exercices et aussi de projets sur des données réelles.
- Enseignant éditeur: Rynkiewicz Joseph
- Enseignant éditeur: Bosquet Clement
- Enseignant éditeur: Martinoty Laurine
Le deep learning est une technique de machine learning qui a commencé à s'imposer dans la reconnaissance d'images.
C'est l'état de l'art en :
-Reconnaissance/segmentation/generation d'images.
-Traitement automatisé du langage naturel (classification de phrase, résumé, chatbot etc..)
On étudiera les trois grandes familles de réseaux utilisé actuellement :
-Les réseaux convolutifs.
-Les réseaux récurrents.
-Les transformers.
Les applications pratiques de ce cours se feront en Pytorch.
- Enseignant éditeur: Rynkiewicz Joseph
Cet espace est destiné à la gestion de vos mémoires de stage pour les étudiants hors césure.
Il comprend :
- des informations générales sur les dates et les procédures ;
- des informations sur les attentes en termes de contenu du mémoire ;
- les feuilles de style à utiliser ;
- un module de recueil du mémoire de stage et de l'appréciation du tuteur entreprise. Ce module sera ouvert du 28/08/2023 au 15/10/2023.
- Enseignant éditeur: Glachant Jerome