Saison 2023/24

Retrouvez ici toutes les séquences, replays et supports publiés durant la saison 2023/24.

⚠️ L’IA évolue vite et certaines séquences peuvent être partiellement dépassées… désolé !

Séquences 2023/24
Bases, concepts et histoire des réseaux de neurones
Bases, concepts et histoire des réseaux de neurones
Nous verrons, lors de cette première séquence très générale, comment l’apprentissage machine et les réseaux de neurones en particulier, se sont im... (more)
Bases, concepts et histoire des réseaux de neurones
L’enfer des données, des modèles et des représentations !
L’enfer des données, des modèles et des représentations !
Les données sont au centre du machine learning, pour le meilleur et parfois pour le pire ! A travers cette toute nouvelle séquence, nous allons exp... (more)
L’enfer des données, des modèles et des représentations !
L'IA en pratique, démonstrations et illustrations !
L'IA en pratique, démonstrations et illustrations !
Lors des deux premières séquences, nous avons eu l’occasion de découvrir ensemble les bases et concepts de l’IA, de l’Apprentissage Machine et du D... (more)
L'IA en pratique, démonstrations et illustrations !
AI, droit, société et éthique
AI, droit, société et éthique
L’IA permet actuellement de nombreuses avancées et est en passe de révolutionner nos pratiques. Les outils numériques utilisés, tels que les réseau... (more)
AI, droit, société et éthique
Mathématiques & gradients everywhere !!!
Mathématiques & gradients everywhere !!!
Qui ne s’est jamais demandé ce qu’il se passait à l’intérieur d’un réseau de neurones ? Le but de cette séquence, qui se veut totalement didactique... (more)
Mathématiques & gradients everywhere !!!
Méthodologie des modèles et de l'apprentissage
Méthodologie des modèles et de l'apprentissage
Et si on mettait un peu de méthodologie ? La mise en œuvre des modèles d’apprentissage profond nécessite de passer par diverses étapes, allant de l... (more)
Méthodologie des modèles et de l'apprentissage
Principes et concepts des réseaux de neurones convolutifs (CNN)
Principes et concepts des réseaux de neurones convolutifs (CNN)
Proposés par Yann LeCun, à la fin des années 90, les réseaux de neurones convolutifs constituent une brique essentielle et incontournable de l’inte... (more)
Principes et concepts des réseaux de neurones convolutifs (CNN)
Embedding et et Réseaux de Neurones Récurrents (RNN)
Embedding et et Réseaux de Neurones Récurrents (RNN)
Nous nous intéresserons à deux familles de réseaux de neurones incontournables, permettant de traiter deux types de données essentielles, les donné... (more)
Embedding et et Réseaux de Neurones Récurrents (RNN)
"Attention Is All You Need", quand les Transformers changent la donne !
De ChatGPT à DeepL ou AlphaFold, les Transformers sont omniprésents et ont objectivement révolutionnés le monde de l’IA :-) (more)
Travailler avec des données structurées : Graph Neural Network (GNN)
Travailler avec des données structurées : Graph Neural Network (GNN)
Vos données ne sont pas naturellement ordonnées sur une grille régulière ? Vous souhaitez représenter des objets complexes ou des interactions ? de... (more)
Travailler avec des données structurées : Graph Neural Network (GNN)
Autoencodeur (AE), un exemple d'apprentissage self supervised
Autoencodeur (AE), un exemple d'apprentissage self supervised
Les Réseaux auto-encodeurs (AE) sont particulièrement intéressants de par leur capacité à effectuer, de manières non supervisées, des représentatio... (more)
Autoencodeur (AE), un exemple d'apprentissage self supervised
Variational Autoencoder (VAE), jouer avec les espaces latents
Variational Autoencoder (VAE), jouer avec les espaces latents
Les Variational Autoencoder (VAE) sont une famille de modèles génératifs capable de projeter, de manière contrôlée, des données de grande dimension... (more)
Variational Autoencoder (VAE), jouer avec les espaces latents
Generative Adversarial Networks (GAN)
Generative Adversarial Networks (GAN)
Les Réseaux Antagonistes Génératifs (GAN) sont constitués d’une paire de réseaux neuronaux - un générateur et un discriminateur - qui s’affrontent ... (more)
Generative Adversarial Networks (GAN)
Diffusion model, text to image
Diffusion model, text to image
Apparus en 2015 (Diffusion Probabilistic Model), fortement améliorés en 2020 avec l’introduction des DDPM (Denoising Diffusion Probabilistic Model)... (more)
Diffusion model, text to image
Tactiques et stratégies du Deep Reinforcement Learning
Tactiques et stratégies du Deep Reinforcement Learning
Depuis 2013 avec la sortie du papier de Deepmind “Playing Atari with Deep Reinforcement Learning”, puis avec Alphago, ou encore, avec la dextérité... (more)
Tactiques et stratégies du Deep Reinforcement Learning
Des neurones pour la physique, les physics-informed neural networks (PINNS)
Des neurones pour la physique, les physics-informed neural networks (PINNS)
Raissi et al. (2019) ont introduit la méthode PINNs(Physics Informed Neural Networks) dans leur article intitulé Physics-Informed Neural Networks:... (more)
Des neurones pour la physique, les physics-informed neural networks (PINNS)
Apprendre plus vite et moins cher, optimiser l’apprentissage et réduire notre empreinte carbone
Apprendre plus vite et moins cher, optimiser l’apprentissage et réduire notre empreinte carbone
Dans l’apprentissage profond, plusieurs techniques sont essentielles pour améliorer les performances des modèles. (more)
Apprendre plus vite et moins cher, optimiser l’apprentissage et réduire notre empreinte carbone
Passer à la vitesse supérieure : l’accélération matérielle
Passer à la vitesse supérieure : l’accélération matérielle
Les modèles les plus sophistiqués exigent de longs apprentissages pour trouver un ensemble de paramètres satisfaisants relativement à la tâche que ... (more)
Passer à la vitesse supérieure : l’accélération matérielle
Multi-modalité
Multi-modalité
À l’ère des données massives et diversifiées, la capacité d’un modèle d’intelligence artificielle à interpréter et intégrer des informations prove... (more)
Multi-modalité
Ingénierie de l'Inférence et mise en production : Quand le rêve devient réalité !
Ingénierie de l'Inférence et mise en production : Quand le rêve devient réalité !
Après avoir entraîné un modèle, fine-tuné un modèle, ou sélectionné un modèle pré-entraîné, comment déployer ce modèle et le rendre facilement util... (more)
Ingénierie de l'Inférence et mise en production : Quand le rêve devient réalité !
Journée Deep Learning pour la Science 2024
Journée Deep Learning pour la Science 2024
L’IDRIS et l’ANF CNRS FIDLE organisent la deuxième Journée Deep Learning pour la Science (JDLS). (more)
Journée Deep Learning pour la Science 2024

FIDLE est une formation portée par l’institut d’Intelligence Artificielle MIAI de Grenoble, via le projet EFELIA, le CNRS et l’Université Grenoble Alpes (UGA), avec le soutien et la participation de l’IDRIS, des ingénieurs du Programme national de recherche en intelligence artificielle du CNRS (PNRIA), de la Formation Permanente CNRS et de la Mission pour les Initiatives Transverses et Interdisciplinaires (MITI) du CNRS, via les réseaux DevLOG, Resinfo et Calcul, ainsi que du laboratoire SIMaP.

Fidle