| ... | ... | @@ -13,11 +13,11 @@ Les séquences précédentes sont [disponibles en ligne sur notre chaine YouTube |
|
|
|
La prochaine séquence est :
|
|
|
|
|
|
|
|
|
|
|
|
## Séquence 9 : Jeudi 26 janvier, 14h
|
|
|
|
## Séquence 10 : Jeudi 2 février, 14h
|
|
|
|
|
|
|
|
|**"Travailler avec des données structurées : Graph Neural Network (GNN)**|
|
|
|
|
|**La magie des autoencodeur (AE), un exemple d'apprentissage "self supervised"**|
|
|
|
|
|--|
|
|
|
|
|Décrire un objet peut être très complexe. Si la représentation d'une image ou d'un signal peut se faire de manière relativement simple avec une matrice (tenseur) ou un vecteur, **comment représenter une molécule, un réseau ou plus généralement un système complexe comportant des interactions ?** Comment travailler avec de tels objets ? <br>Les **Graph Neural Networks (GNN)** sont des réseaux de neurones capable de travailler avec des données représentant des graphes et leur domaines d'applications sont extrêmement vastes : Drug design, détection de fraude, recommandation, etc. <br>Au sommaire de cette séquences : <br> - Omniprésence et problématique des graphes <br> - Approches classiques <br> - Les GNN <br> - Cas d’usages<br>[<img width="300px" src="uploads/6dad01b3116ea18e0d731895831aaee3/Network.png">](#) <br>_« Draw me a social network, modern art » by Stable Diffusion 2.1-768_|
|
|
|
|
|Les **autoencodeurs** illustrent merveilleusement bien et de manière très simple l'un des grands concepts de l'apprentissage profond, visant à réduire et à concentrer les informations essentielles au sein d'un **espace latent**. A la fois simples et performants, les autoencodeurs sont également un bel exemple **d'apprentissage autosupervisé** (self supervised learning). <br><br>Au sommaire de cette séquence : <br>- Principes et architecture des réseaux autoencodeurs. <br>- Convolutions classiques et transposées, upsampling <br>- Espaces latents. <br>- Programmation procédurale avec Keras <br>- Multi input/output, inception.<br> - Cas d’usages<br><br>**Exemple proposé :** <br>Débruitage d'images fortement bruitées.<br>_Où, comment à partir de ces image :_<br>[<img src="uploads/864b6baebb75d672007badb09e16bfd4/AE2-07-test-noisy-xs.png">](#)<br>_Il est possible de retrouver celles-ci !_<br>[<img src="uploads/156f09926c8bf47613e62ab74c62484c/AE2-08-test-predict-xs.png">](#)<br>Durée : 2h |
|
|
|
|
| La séquence sera diffusée en direct sur notre chaine **[YouTube](https://www.youtube.com/@CNRS-FIDLE)** :-)<br>Lien : https://fidle.cnrs.fr/youtube <br>or : https://www.youtube.com/@CNRS-FIDLE|
|
|
|
|
|
|
|
|
|
| ... | ... | |
