... | @@ -25,21 +25,21 @@ Les dates précises seront prochainement ajoutées. |
... | @@ -25,21 +25,21 @@ Les dates précises seront prochainement ajoutées. |
|
- Séquence 10 : [Autoencodeur (AE) : un exemple d'apprentissage "self supervised"](#séquence-10-autoencodeur-ae-un-exemple-dapprentissage-self-supervised)
|
|
- Séquence 10 : [Autoencodeur (AE) : un exemple d'apprentissage "self supervised"](#séquence-10-autoencodeur-ae-un-exemple-dapprentissage-self-supervised)
|
|
- Séquence 11 : [Variational Autoencoder (VAE) : apprentissage "self supervised"](#séquence-11-variational-autoencoder-vae-jouer-avec-les-espaces-latents)
|
|
- Séquence 11 : [Variational Autoencoder (VAE) : apprentissage "self supervised"](#séquence-11-variational-autoencoder-vae-jouer-avec-les-espaces-latents)
|
|
![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)
|
|
![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)
|
|
- Revue de projets Fidle
|
|
- Séquence 12 : Revue de projets Fidle
|
|
- Séquence 12 : [Generative Adversarial Networks (GAN)!](#séquence-12-generative-adversarial-networks-gan)
|
|
- Séquence 13 : [Generative Adversarial Networks (GAN)!](#séquence-13-generative-adversarial-networks-gan)
|
|
![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)
|
|
![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)
|
|
- Séquence 13 : [Diffusion model, text to image (HB,NC,MS)](#séquence-13-diffusion-model-text-to-image)
|
|
- Séquence 14 : [Diffusion model, text to image (HB,NC,MS)](#séquence-14-diffusion-model-text-to-image)
|
|
![](uploads/bb2d1ee0632181e8d41dcdf9c2f1b517/00-fidle-piment-x2.png)
|
|
![](uploads/bb2d1ee0632181e8d41dcdf9c2f1b517/00-fidle-piment-x2.png)
|
|
- Séquence 14 - [AI, droit, société et éthique (LR, BC, ...)](#séquence-14-ai-droit-société-et-éthique)
|
|
- Séquence 15 - [AI, droit, société et éthique (LR, BC, ...)](#séquence-15-ai-droit-société-et-éthique)
|
|
- Séquence 15 : [Apprendre plus vite et moins cher, optimiser l’apprentissage (BC,LH)](#séquence-15-apprendre-plus-vite-et-moins-cher-optimiser-lapprentissage)
|
|
- Séquence 16 : [Apprendre plus vite et moins cher, optimiser l’apprentissage (BC,LH)](#séquence-16-apprendre-plus-vite-et-moins-cher-optimiser-lapprentissage)
|
|
![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)
|
|
![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)
|
|
- Séquence 16 : [Passer à la vitesse supérieure : l’accélération matérielle (BC,LH)](#séquence-16-passer-à-la-vitesse-supérieure-laccélération-matérielle)
|
|
- Séquence 17 : [Passer à la vitesse supérieure : l’accélération matérielle (BC,LH)](#séquence-17-passer-à-la-vitesse-supérieure-laccélération-matérielle)
|
|
![](uploads/bb2d1ee0632181e8d41dcdf9c2f1b517/00-fidle-piment-x2.png)
|
|
![](uploads/bb2d1ee0632181e8d41dcdf9c2f1b517/00-fidle-piment-x2.png)
|
|
- Séquence 17 : [Des neurones pour la physique, les physics-informed neural networks (PINNS)](#séquence-17-des-neurones-pour-la-physique-les-physics-informed-neural-networks-pinns)
|
|
- Séquence 18 : [Des neurones pour la physique, les physics-informed neural networks (PINNS)](#séquence-18-des-neurones-pour-la-physique-les-physics-informed-neural-networks-pinns)
|
|
![](uploads/bb2d1ee0632181e8d41dcdf9c2f1b517/00-fidle-piment-x2.png)
|
|
![](uploads/bb2d1ee0632181e8d41dcdf9c2f1b517/00-fidle-piment-x2.png)
|
|
- Séquence 18 : [Exploration et exploitation du Deep Reinforcement Learning](#séquence-18-introduction-au-deep-reinforcement-learning)
|
|
- Séquence 19 : [Exploration et exploitation du Deep Reinforcement Learning](#séquence-19-introduction-au-deep-reinforcement-learning)
|
|
![](uploads/bb2d1ee0632181e8d41dcdf9c2f1b517/00-fidle-piment-x2.png)
|
|
![](uploads/bb2d1ee0632181e8d41dcdf9c2f1b517/00-fidle-piment-x2.png)
|
|
- Séquence 19 : [L’IA d’aujourd’hui et de bientôt demain - Bilan de saison (Team Fidle)](#séquence-19-lia-daujourdhui-et-de-bientôt-demain-bilan-de-saison)
|
|
- Séquence 20 : [L’IA d’aujourd’hui et de bientôt demain - Bilan de saison (Team Fidle)](#séquence-20-lia-daujourdhui-et-de-bientôt-demain-bilan-de-saison)
|
|
|
|
|
|
(![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)):
|
|
(![](uploads/c43a9c778cef4e343062d267ee5f8ffb/00-fidle-piment-x1.png)):
|
|
Un peu de complexité, mais thématique incontournable
|
|
Un peu de complexité, mais thématique incontournable
|
... | @@ -122,33 +122,33 @@ Contenus avancé, pour aller plus loin :-) |
... | @@ -122,33 +122,33 @@ Contenus avancé, pour aller plus loin :-) |
|
- Exemple proposé : Génération de portraits
|
|
- Exemple proposé : Génération de portraits
|
|
- Durée : 2h / Jeudi 9 février 2023, 14h
|
|
- Durée : 2h / Jeudi 9 février 2023, 14h
|
|
|
|
|
|
### Séquence 12 : Generative Adversarial Networks (GAN)
|
|
### Séquence 13 : Generative Adversarial Networks (GAN)
|
|
- Principes et architecture d'un GAN
|
|
- Principes et architecture d'un GAN
|
|
- Generator - Discriminator - Apprentissage
|
|
- Generator - Discriminator - Apprentissage
|
|
- WGAN et WGAN-GP
|
|
- WGAN et WGAN-GP
|
|
- Exemple proposé : A définir
|
|
- Exemple proposé : A définir
|
|
- Durée : 2h / Jeudi 9 mars 2023, 14h
|
|
- Durée : 2h / Jeudi 9 mars 2023, 14h
|
|
|
|
|
|
### Séquence 13 : Diffusion model, text to image
|
|
### Séquence 14 : Diffusion model, text to image
|
|
- Principes
|
|
- Principes
|
|
- _(Programme en cours de finalisation)_
|
|
- _(Programme en cours de finalisation)_
|
|
- Durée : 2h / Jeudi 16 mars 2023, 14h
|
|
- Durée : 2h / Jeudi 16 mars 2023, 14h
|
|
|
|
|
|
### Séquence 14 - AI, droit, société et éthique
|
|
### Séquence 15 - AI, droit, société et éthique
|
|
- Interprétabilité, reproductibilité, biais
|
|
- Interprétabilité, reproductibilité, biais
|
|
- Cadre légal
|
|
- Cadre légal
|
|
- Privacy
|
|
- Privacy
|
|
- Session interactive
|
|
- Session interactive
|
|
- Durée : 2h / Jeudi 23 mars 2023, 14h
|
|
- Durée : 2h / Jeudi 23 mars 2023, 14h
|
|
|
|
|
|
### Séquence 15 : Apprendre plus vite et moins cher, optimiser l’apprentissage
|
|
### Séquence 16 : Apprendre plus vite et moins cher, optimiser l’apprentissage
|
|
- Techniques d’optimisation
|
|
- Techniques d’optimisation
|
|
- Affinage des hyperparamètres
|
|
- Affinage des hyperparamètres
|
|
- Quand le recyclage est une force : Le transfert learning
|
|
- Quand le recyclage est une force : Le transfert learning
|
|
- Pour un poids optimal des données, utiliser le bon format de données
|
|
- Pour un poids optimal des données, utiliser le bon format de données
|
|
- Durée : 2h / Jeudi 30 mars 2023, 14h
|
|
- Durée : 2h / Jeudi 30 mars 2023, 14h
|
|
|
|
|
|
### Séquence 16 : Passer à la vitesse supérieure : l’accélération matérielle
|
|
### Séquence 17 : Passer à la vitesse supérieure : l’accélération matérielle
|
|
- Présentation de Jean-Zay et calcul sur GPU
|
|
- Présentation de Jean-Zay et calcul sur GPU
|
|
- Distribution du calcul - Data Parallelism - Model Parallelism
|
|
- Distribution du calcul - Data Parallelism - Model Parallelism
|
|
- Hybrid Parallelism - Pipelines
|
|
- Hybrid Parallelism - Pipelines
|
... | @@ -156,19 +156,19 @@ Contenus avancé, pour aller plus loin :-) |
... | @@ -156,19 +156,19 @@ Contenus avancé, pour aller plus loin :-) |
|
- Bonnes pratiques pour un apprentissage distribué
|
|
- Bonnes pratiques pour un apprentissage distribué
|
|
- Durée : 2h / Jeudi 6 avril 2023
|
|
- Durée : 2h / Jeudi 6 avril 2023
|
|
|
|
|
|
### Séquence 17 : Des neurones pour la physique, les physics-informed neural networks (PINNS)
|
|
### Séquence 18 : Des neurones pour la physique, les physics-informed neural networks (PINNS)
|
|
- Problématique et concepts
|
|
- Problématique et concepts
|
|
- _(Programme en cours de finalisation)_
|
|
- _(Programme en cours de finalisation)_
|
|
- Durée : 2h / Jeudi 13 avril 2023, 14h
|
|
- Durée : 2h / Jeudi 13 avril 2023, 14h
|
|
|
|
|
|
### Séquence 18 : Introduction au Deep Reinforcement Learning
|
|
### Séquence 19 : Introduction au Deep Reinforcement Learning
|
|
- Algorithme de Reinforcement Learning : Q-Learning, SARSA, etc (45 min)
|
|
- Algorithme de Reinforcement Learning : Q-Learning, SARSA, etc (45 min)
|
|
- Deep reinforcement Learning : pour passer à des espaces à hautes dimensionalités via des fonctions d'approximation (45 min)
|
|
- Deep reinforcement Learning : pour passer à des espaces à hautes dimensionalités via des fonctions d'approximation (45 min)
|
|
- Cas d'usage et résultats (30 min)
|
|
- Cas d'usage et résultats (30 min)
|
|
- Illustrations via des vidéos.
|
|
- Illustrations via des vidéos.
|
|
- Durée : 3h / Jeudi 4 mai 2023, 14h
|
|
- Durée : 3h / Jeudi 4 mai 2023, 14h
|
|
|
|
|
|
### Séquence 19 : L’IA d’aujourd’hui et de bientôt demain, Bilan de saison
|
|
### Séquence 20 : L’IA d’aujourd’hui et de bientôt demain, Bilan de saison
|
|
- Grandes avancées de l’année
|
|
- Grandes avancées de l’année
|
|
- Vers les modèles généralistes
|
|
- Vers les modèles généralistes
|
|
- Bilan de saison
|
|
- Bilan de saison
|
... | | ... | |