Fidle-à-distance/Présentation.md

@@ -49,7 +49,7 @@ L'idée est de proposer un **découpage en séquences** relativement courtes, de
 
 ### Séquence 1 :  Contexte et historique, de la régression linéaire aux réseaux de neurones.
 - Introduction du cycle
-- **Historique** et **concepts fondamentaux**<br>
+- **Historique** et **concepts fondamentaux** des réseaux de neurones<br>
   Fonction de perte - Descente de gradient - Optimisation - Hyperparamètres<br>
   Préparation des données - Apprentissage - Validation - Sous et sur apprentissage<br>
   Fonctions d’activation - softmax
@@ -62,7 +62,7 @@ L'idée est de proposer un **découpage en séquences** relativement courtes, de
 - Problématiques liées aux **données**
 - Convolutions - Dropout - Pooling - Monitoring et Tensorboard - Augmentation de données<br>
   Passage à l'échelle (du notebook au batch) - Points de reprise (checkpoint)
-- Exemple proposées : Classification de chiffres manuscrits et de panneaux routiers
+- Exemples pratiques : Classification de chiffres manuscrits et de panneaux routiers
 - Durée : 2h
 
 ### Séquence 3 : Données creuses à taille variable : L'exemple des données textuelles
@@ -77,6 +77,29 @@ L'idée est de proposer un **découpage en séquences** relativement courtes, de
 - Exemple proposée : Prédiction d'une séquence temporelle avec une prédiction météorologique à 3h et 12h
 - Durée : 1h30
 
+### Séquence 5 : Autoencodeur (AE) : un exemple d'apprentissage non supervisé
+- Principes et architecture d'un **autoencodeur (AE)**
+- Espace latent - Convolution classiques et  transposées<br>
+  Programmation procédurale avec Keras - GPU et batch
+- Exemple proposé : Débruitage d'images fortement bruitées
+- Durée : 1h
+
+### Séquence 6 : Variational Autoencoder (VAE) : apprentissage non supervisé, réseau génératif
+- Principes et architecture d’un **Variational AutoEncodeur (VAE)**
+- Problématique liée aux **« gros » datasets**
+- Projection gaussienne - Génération de données - Morphing dans l'espace latent<br>
+  Datasets clusterisés - GPU et batch
+- Exemple proposé :
+- Durée : 1h
+
+Séquence 7 :  Passer à la vitesse supérieure : Jean-Zay  et accélération GPU
+Présentation de Jean-Zay et calcul sur GPU
+Distribution du calcul -  Data Parallelism - Model Parallelism - Hybrid Parallelism - Pipelines
+
+Séquence 8 : Clôture et bilan
+Pour aller au delà de ce premier contact...
+Conclusion et bilan
+Durée 1h
 
 
 ----