Travaux pratiques : Deep Learning et Reinforcement Learning

Vue d’ensemble

Le deep learning, qui est la force motrice dans l'explosion des systèmes d'intelligence artificielle, nous permet d'atteindre un niveau de précision à la pointe de la technologie pour de nombreuses problématiques telles que la reconnaissance d'objets et de paroles, la planification de trajectoire pour des plateformes robotiques, ou encore l'optimisation des contrôleurs pour des systèmes complexes.

Créer une application se basant sur le deep learning implique plusieurs étapes, de la création d'une base de données importante et représentative, jusqu'au déploiement sur le cloud ou sur cibles embarquées, en passant par la définition et l'optimisation de l'architecture du réseau. Cette démarche nécessite souvent d’avoir des compétences dans la théorie de deep learning, mais également dans la programmation bas-niveau.

À l'aide d’exemples concrets et d’exercices pratiques, vous aurez l'occasion de tester les nouvelles fonctionnalités de MATLAB® qui simplifient ces tâches et éliminent la programmation bas-niveau. Les sujets abordés sont les suivants :

  • Gestion de gros jeux de données (images, signaux, texte, etc.)
  • Création et analyse des réseaux de façon interactive
  • Visualisation des réseaux pour mieux comprendre leur fonctionnement
  • Labélisation partiellement automatisée des données, et génération des données synthétiques
  • Classification, régression, et segmentation sémantique
  • Reinforcement learning en utilisant les "deep Q networks" (DQN)
  • Adaptation des réseaux pré-entrainés ("transfer learning") tels que GoogLeNet et YOLO v2
  • Interopérabilité avec d'autres frameworks tels que TensorFlow-Keras, Caffe, et le format ONNX
  • Accélération de l'apprentissage en local ou sur le cloud en s'appuyant sur les GPU
  • Génération automatique du code CUDA et C++ pour des cibles embarquées.

Points forts

  • Workflow complet de deep learning sur de différents types de données : images, signaux, texte, etc.
  • Transfer learning et interopérabilité avec d'autres frameworks de deep learning de type ONNX
  • Reinforcement learning

Public concerné

  • Les ingénieurs et scientifiques intéressés par le deep learning, qu'ils soient débutants ou praticiens confirmés

À propos des présentateurs

Valerie Leung est ingénieure d’application chez MathWorks depuis 2012, spécialisée en computer vision et en apprentissage automatique pour des systèmes autonomes. Elle a obtenu son doctorat en ingénierie électrique et électronique à l’University of Canterbury en Nouvelle-Zélande. Avant MathWorks, elle travaillait en tant qu’ingénieur de recherche sur le développement d’algorithmes pour des systèmes autonomes et des applications de vidéosurveillance chez BAE Systems (UK), à Kingston University (Londres), et dans le département de traitement d’information et modélisation à l’ONERA.

Pierre Harouimi est ingénieur d’application chez MathWorks depuis 2017, spécialisé en intelligence artificielle et en calcul parallèle. Il a obtenu son diplôme d’ingénieur à l’ENSAI. Avant MathWorks, il travaillait en tant qu’ingénieur financier chez La Française Asset Management, avec des problématiques d’optimisation et d’intelligence artificielle.

Moubarak Gado est ingénieur d'application chez MathWorks depuis 2019, spécialisé en intelligence artificielle, calcul parallèle et déploiement. Il a obtenu son doctorat en sciences physiques et de l'ingénieur avec une spécialité en mécanique à l'Université de Bordeaux et à l'Universidad del País Vasco (Bilbao, Espagne). Avant MathWorks, il travaillait comme ingénieur R&D chez CT Engineering Group sur le développement d'outils numériques, avec un accent sur le calcul et le développement d'algorithmes d'intelligence artificielle appliqués à la résolution de problématiques industrielles, notamment dans l'aéronautique.

Programme

Heure Thème

08:30

Accueil

09:00

Introduction au deep learning

09:15

Les bases du deep learning

  • Utilisation directe d’un réseau entraîné
  • Construction d’un réseau CNN (« Convolutional Neural Network ») à partir de zéro
  • Apprentissage par transfert (« Transfer Learning »)

10:15

Deep learning pour les données séquentielles et temporelles

  • Introduction au LSTM
  • Deep learning pour le texte
  • Comparaison : CNN vs LSTM 
  • Combinaison de CNN et de LSTM pour les données de vidéo

11:00

Pause

11:15

Reinforcement Learning

  • Introduction
  • Contrôle d’un pendule inversé avec un Deep Q Network

12:00

Interopérabilité avec d’autres frameworks et déploiement

  • Importation des réseaux de TensorFlow-Keras, de Caffe, ou du format ONNX
  • Déploiement de réseaux entraînés sur le cloud
  • Génération automatique du code CUDA et C++ pour cibles embarquées

12:30

Q&A

 

Focus produit

Inscription terminée