-
-
- Domaines
-
Ressources
-
Ressources
Accédez aux ressources directement depuis les compétences, savoirs, activités professionnelles, centres d'intérêt des référentiels, ainsi qu'aux sujets d'examen et séminaires nationaux.
- Ressources par formation
- Ressources par type
- Ressources spécifiques
- Ressources et usages numériques
- Toutes les ressources
-
Ressources
- Formations
- Médias
- Actualités
- Agenda
Accueil > Actualités > Sciences de l'ingénieur - ENS Cachan > Formation LIESSE : Machine learning en Sciences Industrielles de l’Ingénieur – Les bases autour d’applications concrètes - CultureSciences de l'Ingénieur
Formation LIESSE : Machine learning en Sciences Industrielles de l’Ingénieur – Les bases autour d’applications concrètes - CultureSciences de l'Ingénieur
publié le 02 avr 2021 par Hélène HORSIN MOLINARO
Formation LIESSE : Machine learning en Sciences Industrielles de l’Ingénieur – Les bases autour d’applications concrètes
L’ENS Rennes propose une formation pour les professeurs de CPGE sur deux journées entièrement en distanciel.
Le « machine learning » est devenu très populaire ces dernières années dans de nombreux champs d’applications : l’étude statistique de données, le traitement d’images ou encore la commande de systèmes.
L'objectif de cette formation est de maîtriser les algorithmes d'apprentissage machine présents dans les programmes de CPGE publié au JO du 7-2-2021.
Contenu :
- Algorithmes d'apprentissage supervisé ainsi que leurs applications.
- Machine à vecteurs de support
- k plus proches voisins
- Réseaux de neurones pour l'apprentissage supervisé.
- Le fonctionnement d'un neurone : biais, poids et fonction d'activation
- L'assemblage en couches afin de créer un réseau : le choix des hyperparamètres associés (nombre de couches, nombre de neurones, fonctions d'activation)
- Le fonctionnement de l'apprentissage : la mise en forme des données et les algorithmes de rétropropagation
- L'exploitation d'un réseau de neurones : classification et régression pour des images et des signaux temporels
- Algorithmes d'apprentissage non supervisé.
- Bases de l'apprentissage par renforcement
- Études des algorithmes les plus répandus : Q-learning, Deep-Q network, approche acteur-critique.
Des travaux pratiques seront dispensés afin de prendre en main les différents concepts. Les applications sont orientées vers des cas d'utilisation en sciences de l'ingénieur.
Outils : Le langage de programmation utilisé est Python. Le guide des bibliothèques à installer sera fourni en amont de la formation.
Public visé : Professeurs de SI des classes de PTSI/PT/PSI
Dates : lundi 14 et mardi 15 juin 2021
Déroulement envisagé : Organisation en distanciel, formation 50% théorie, 50% pratique
