Utilisation des termes :
Machine leraning
fr : Apprentissage automatique
litéralement : Apprentissage machine
Nous utiliserons ces termes de manière interchangeable, ils seront donc considérés comme des synonymes.
(Apprendre à partir des données)
A l’opposé de formuler des règles, les règles seront induit à partir des données.

9 Mai 2025 : The MiCrons Project
Plus grande cartographie d’un cerveau de mammifère : une souris
0,2 % du cerveau de la souris,
1 millimètre cube de tissu cérébral
82 000 neurones, 500 millions de synapses
Site web officiel https://www.nature.com/immersive/d42859-025-00001-w/index.html
Site web de Nature : https://www.microns-explorer.org/
Article paru dans geo :

Octobre 2024 : dizaines d’articles parus dans la revue scientifique Nature
Réseau de neurones d’une mouche entièrement cartographié
139 255 neurones, 2 700 513 connexions, 54,5 millions de synapses
Site web officiel https://flywire.ai/
Article paru le 3 Octobre 2024 dans le monde :
Le neurone formel est directement inspiré du neurone biologique.
Neurone biologique :
Neurone artificiel :
réseaux de neurones artificiels : un ensemble de noeuds interconnectés. Ces réseaux de neurones sont inspirés de la manière comment fonctionne notre cerveau.
Le terme deep learning (apprentissage profond), est devenu populaire dans les années 2010 (bien que le concept et le terme a été introduit déjà bien avant).
Le deep learning utilisant des réseaux de neurones artificiels a explosé dans les dernières 15 ans pour principalement deux raisons :
Le deep learning est une technique spécifique d’apprentissage automatique (machine learning) :
Paralèllement, les réseaux de neurones artificiels évoluent
Source : Our world in data
https://ourworldindata.org/grapher/artificial-intelligence-parameter-count
Vision par ordinateur :
Traitement du langage :
Finances : prédiction du marché (p.ex. prédiction d’une devise monétaire)
Médécine : diagnostic médical
Divertissement (et publicités …) :
IA générative
-> il y a des limitations du deep learning et des enjeux très actuels
Comprendre ce qu’est le deep learning et ses liens avec les réseaux biologiques
Connaitre le fonctionnement des modèles les plus connus (FCNN, CNN, RNN, Autoencoders, LLM, …)
Apprendre à entraîner des modèles avec TensorFlow/Keras
Développer une intuition sur le fonctionnement des modèles que vous utilisez au quotidien, à travers des exemples pratiques
Comprendre les problèmes éthiques liés au deep learning, et développer un esprit critique
Horaires :
Évaluation :

CIFAR-10 : jeu de données pour la reconnaissance d’images, largement utilisé pour la recherche en apprentissage automatique :
Données :
| # | Exemple | Type | Explication |
|---|---|---|---|
| 1 | Shazam | Classification | Compare l’empreinte audio à une base de données pour identifier la chanson. |
| 2 | ChatGPT | Génératif | Génère du texte nouveau et cohérent à partir d’un prompt. |
| 3 | Netflix | Régression | Prédit la note ou le score de préférence d’un utilisateur. |
| 4 | Reconnaissance faciale | Classification | Identifie à quelle personne appartient une image. |
| 5 | Prix de l’immobilier | Régression | Sortie continue : la valeur du prix. |
| 6 | Google Translate | Génératif | Génère une traduction, mot par mot ou phrase par phrase. |
| 7 | Filtrage de spam | Classification | Classe un e-mail en “spam” ou “non spam”. |
| 8 | Prévision météo/température | Régression | Prédit des valeurs continues comme la température. |
| 9 | DALL·E | Génératif | Crée de nouvelles images à partir d’une description textuelle. |
apprentissage supervisé (supervised learning) : les données et les sorties sont connues
apprentissage non-supervisé (unsupervised learning): les données sont connues mais pas les sorties, par contre on dispose d’une mesure de similarité qui va permettre de regrouper des données proches
apprentissage auto-supervisé (self-supervised learning) : utilise les données d’entrée elles-mêmes, au lieu de se fier aux étiquettes éxternes
par renforcement : en interagissant avec son environnement, les données et un signal soit au cours du traitement, soit à la fin (Q-Learning, R-Learning, TD-learning)
Séparation de données d’entrainement disponibles en parties disjointes
Exemple : reconnaissance d’images comme p.ex. CIFAR-10

Courbes d’apprentissage pour détécter :
Bonne généralisation
Sur-apprentissage (overfitting) : le modèle apprend trop bien les données d’entraînement, et ne se généralise pas très bien aux autres données (données de validation p.ex.)
Sous-apprentissage (underfitting) : le modèle n’est pas assez complexe pour capturer les motifs dans les données
RNN - recursive neural networks
Transformers
Outils de programmation :
Plateformes de données :
En recherche,
Cours 1 - Introduction
Cours 2 - Apprentissage supervisé : FCNN
Cours 3 - CNNs : Réseaux de neurones convolutionels
Cours 4 - Autoencodeurs
Cours 5 - RNN : Réseaux de neurones récurrents
Cours 6 - Word embeddings, Transformers
TD1 - Réseau de neurones FCNN
TD2 - Réseau de neurones FCNN avec Keras Tensorflow
TD3 - CNNs et FCNN
TD4 - Autoencoders
TD5 - RNN : réseaux de neurones récurrents
TD6 - Traitement de langage naturel et plongement lexical
Voici une illustration :
Jouer avec l’application web interactif Tensorflow Playground pour comprendre
https://playground.tensorflow.org/

Patrick Reuter - http://www.labri.fr/perso/preuter/dl2025