Contenu pédagogique

L’école d’été commencera par une phase commune à tous les participants, visant à introduire les méthodes classiques d’apprentissage automatique (régression logistique, forêts aléatoires, SVM, réseaux de neurones) et des méthodes de projections de données (ACP, t-SNE, U-map, Auto-encodeurs).

Les participants pourront ensuite choisir de suivre l’un des deux ateliers de spécialisation sur le reste de la semaine.

Atelier “analyse de séquences” :

Cet atelier s’intéresse aux grandes méthodes pour traiter des données sous la forme de séquences de symboles (textes, séquences d’acides aminés, …). Nous commencerons par introduire les algorithmes classiques d’analyse du langage naturel (TF-IDF, Continuous Bag-of-Words, Skip-gram) et appliquerons les méthodes vues dans la partie communes pour classer automatiquement des séquences ou prédire des informations d’intérêt à partir de celles-ci.
Dans un second temps, nous introduirons les algorithmes de Deep learning et leur utilisation pour les séquences, tels que les réseaux de neurones à convolution, les réseaux récurrents ou encore les architecture à base de Transformers (qui sous-tendent la plupart des larges modèles de langues).
Toutes les méthodes seront d’abord présentées de manière didactique puis des exercices pratiques seront proposés pour les mettre en œuvre et se les approprier.

Atelier “analyse d'images” :

Dans ce module, nous nous focaliserons sur les méthodes de machine / deep learning pour les données images (Observation de la Terre). Nous aborderons dans un premier temps les spécificités des données 2D (résolution spatiale, bandes spectrales, etc.) ainsi que les principales approches de traitement d’images (filtrage, convolution, histogrammes, …) permettant d’extraire de l’information. L’utilisation de telles approches avec les outils du machine learning vus durant la partie commune sera ensuite proposée. Dans un second temps, nous aborderons les principales architectures et les spécificités des réseaux de neurones profonds pour les images (convolutions 2D, pooling, réseaux résiduels, fusion d'images, etc.) et appliquerons cela à la classification.