| ... | ... | @@ -11,31 +11,24 @@ Cette formation est totalement **libre sur youtube, gratuite et ouverte à toute |
|
|
|
<table>
|
|
|
|
<tr>
|
|
|
|
<th>
|
|
|
|
<b>Séquence 10 : Jeudi 15 février 14h : <br>Travailler avec des données structurées : Graph Neural Network (GNN)</b>
|
|
|
|
<b>Séquence 11 : Jeudi 7 mars 14h : <br>Autoencodeur (AE), un exemple d'apprentissage auto-supervisé !</b>
|
|
|
|
</th>
|
|
|
|
|
|
|
|
</tr>
|
|
|
|
<tr>
|
|
|
|
<td>
|
|
|
|
<td
|
|
|
|
|
|
|
|
[<img src="uploads/7be6210ee56caf8df0e643a35076e7eb/Live-10a-xs.png" width=400px>](https://www.youtube.com/@CNRS-FIDLE)
|
|
|
|
|
|
|
|
Vos **données** ne sont **pas naturellement ordonnées** sur une grille régulière ?<br>
|
|
|
|
Vous souhaitez représenter des **objets complexes** ou des **interactions** ?
|
|
|
|
des **molécules** ? un **réseau** ?<br>
|
|
|
|
|
|
|
|
Cette situation est probablement la votre si vous travaillez dans des domaines scientifiques tels que la **biologie**, la **chimie**, les **sciences humaines et sociales**, etc.
|
|
|
|
Les Réseaux **auto-encodeurs (AE)** sont particulièrement intéressants de par leur capacité à effectuer, de manières **non supervisées**, des **représentations compactes** de **données complexe**.
|
|
|
|
|
|
|
|
Face à de telles données, pas de panique :-)<br>
|
|
|
|
Vous avez la possibilité de faire du **Deep Learning** avec une famille de méthodes développées spécialement pour les graphes : **Les réseaux de neurones sur graphes (GNN)**.<br>
|
|
|
|
|
|
|
|
Durant cette séquence, nous vous présenterons les **bases** permettant d'utiliser ces GNN.
|
|
|
|
Ils sont ainsi très utiles pour une large variété de tâches telles que la **reconstruction**, la **détection d’anomalies**, la **réduction de dimensionnalité**, le **débruitage** ou encore la **génération de données**.
|
|
|
|
|
|
|
|
Le plan est le suivant :
|
|
|
|
- Introduction des **notions fondamentales** pour l'étude des **graphes**
|
|
|
|
- **Apprentissage** sur les graphes
|
|
|
|
- **Exemples d'architectures** (Graph Convolution Network, Message Passing, Graph attention)
|
|
|
|
- Mise en pratique avec **pytorch geometric**
|
|
|
|
- Principes et architecture d'un autoencodeur (AE)
|
|
|
|
- Espace latent, convolution classiques et transposées
|
|
|
|
- Programmation procédurale avec Keras 3 et pytorch
|
|
|
|
- "Exemple proposé : Débruitage d'images fortement bruitées
|
|
|
|
|
|
|
|
Durée : 2h00
|
|
|
|
</td>
|
| ... | ... | @@ -47,7 +40,6 @@ En direct sur notre chaine **YouTube** - https://www.youtube.com/@CNRS-FIDLE |
|
|
|
</td>
|
|
|
|
</tr>
|
|
|
|
</table>
|
|
|
|
|
|
|
|
Pour en savoir plus :
|
|
|
|
|
|
|
|
- A propos de la [**formation Fidle**](https://fidle.cnrs.fr/presentation)
|
| ... | ... | |
