Profil : Jean-Luc Parouty
M. Jean-Luc Parouty
Ingénieur de recherche (CNRS)
Ingénieur de recherche CNRS
Ingénieur de recherche
IA
Organisme
Le Centre national de la recherche scientifique est une institution de recherche parmi les plus importantes au monde. Pour relever les grands défis présents et à venir, ses scientifiques explorent le vivant, la matière, l’Univers et le fonctionnement des sociétés humaines. Internationalement reconnu pour l’excellence de ses travaux scientifiques, le CNRS est une référence aussi bien dans l’univers de la recherche et développement que pour le grand public.
HPC
IA / Machine learning / Deep learning
Quantique
Blockchain
Cybersécurité
Offres de Jean-Luc Parouty
Mooc
1 AE : Réseaux Autoencodeurs
AE : Réseaux autoencodeurs Les autoencodeurs sont un bon exemple d’apprentissage non supervisé. Après une présentation des concepts et des couches convolutives (normales et transposées), nous nous intéresserons a la manière d’implémenter efficacement des modèles avancés avec l’API fonctionnelle de Keras.
Intelligence Artificielle
Mooc
De la régression linéaire au neurone artificiel, Séquence 2
Le Deep Learning expliqué, en séquences courtes ! Comprendre la régression linéaire et la régression logistique pour comprendre ce qu’est un neurone artificiel ! Nous découvrirons ce qu’est un neurone artificiel, quels sont les grands principes de la descente de gradient et les limites des solveurs linéaires ou des réseaux à 1 neurone 😉
Intelligence Artificielle
Mooc
2 Prédiction simple d’une trajectoire
Exemple de prédiction simple d’une trajectoire Notre premier exemple d’utilisation d’un RNN va consister à essayer de prédire la trajectoire d’une coccinelle... virtuelle !
Intelligence Artificielle
Mooc
3 AE : Modèles avancés
AE : Modèles avancés Implémentation de modèles avancés à double sorties et inception. L’objectif est de renforcer notre classifieur grâce à un apprentissage convolutif parallèle et différencié.
Intelligence Artificielle
Mooc
4 VAE : Variational Autoencoder
VAE : Variational Autoencoder : Du réseau autoencodeur (AE) au Variational Autoencoder (VAE )ou comment parcourir l’imagination de nos réseaux. Au programme : Principes et architecture d’un Variational Autoencoder (VAE).Problématiques liées à la gestion de "gros" datasets.Projection gaussienne - Génération de données - Morphing dans l’espace latent
Intelligence Artificielle
Mooc
5 VAE : Implémentation d’un VAE (MNIST)
VAE : Implémentation d’un VAE (MNIST) Double exemple d’implémentation d’un Variational Autoencoder (VAE), en utilisant : - L’API fonctionnelle de Keras - L’utilisation d’une classe VAE, construite sur Keras Ces deux exemples sont illustrés avec le Dataset MNIST.
Intelligence Artificielle
Mooc
Régression et Classification avec un DNN, séquence 4
Le Deep Learning expliqué, en 9 séquences courtes diffusées au fils de l’eau. Deux exemples de mise en œuvre avec une régression et une classification à l’aide de réseaux entièrement connectés (DNN). L’exemple de régression à pour objectif de prédire le prix d’une habitation à partir de caractéristiques du quartier (Boston House dataset)
Intelligence Artificielle
Mooc
3 Prédiction météorologique
Prédiction météorologique Un autre exemple d’utilisation d’un RNN, avec une tentative de prévision météorologique à 3h et à 12h, à partir de données réelles.
Intelligence Artificielle
Mooc
La controverse des neurones, Séquence 3
Le Deep Learning expliqué, en séquences courtes ! Le cycle complet comprend 9 séquences diffusées au fils de l’eau. Nous découvrirons dans cett vidéo comment fonctionnent ces réseaux multicouches et comment mettre en œuvre un processus d’apprentissage machine.
Intelligence Artificielle
Mooc
1 Réseaux récurrents : RNN
RNN : Réseaux récurrents Les données séquentielles sont omniprésentes et les réseaux de neurones récurrents occupent une place privilégiées pour les traiter. Nous verrons dans cette première parties, les bases de ces réseaux récurrents et les principes des cellules LSTM ou GRU.
Intelligence Artificielle
Mooc
2 AE : Autoencodeur débruiteur
AE : Autoencodeur débruiteur Un premier exemple de réseau autoencodeur avec un débruiteur. Le dataset utilisé est MNIST.
Intelligence Artificielle
Mooc
Contexte et outils, séquence 1
Le Deep Learning expliqué, en séquences courtes ! Méthode scientifique et IA : Intelligence artificielle, machine learning et Deep Learning, quelles différences ? Apprentissage supervisé, non supervisé : les grandes familles du ML.Quels outils et comment faire du Deep Learning ?
Intelligence Artificielle
Mooc
Introduction au Deep Learning Session 1
Formation Introduction au Deep Learning (Fidle) - Séquence 01
Intelligence Artificielle
Mooc
CNN : Les Réseaux convolutif
CNN : Les Réseaux convolutif Lorsque les données deviennent trop importantes, dans les cas des images mais pas seulement, les réseaux convolutifs sont incontournables ! Principes et concepts des réseaux convolutifs. Convolutions et paramètres associés.
Intelligence Artificielle
Mooc
Classification basique via un CNN : MNIST
MNIST: Classification basique via un CNN llustration d’une classification d’image avec un CNN. Lorsque les données deviennent trop importantes, dans les cas des images mais pas seulement, les réseaux convolutifs sont incontournables ! Cet exemple, volontairement très simple, utilise le dataset MNIST.
Intelligence Artificielle
Mooc
Exemple avancé de classification : GTSRB 2/2
L’exemple GTSRB proposé à pour objectif de classer des panneaux de signalisation routière, issus du dataset GTSRB (50.000 fichiers images, dont les tailles et formats ne sont pas homogènes). Cet exemple est centré sur la classification et les stratégies d’améliorations.
Intelligence Artificielle
Mooc
Exemple avancé de classification : GTSRB 1/2
L’exemple GTSRB proposé à pour objectif de classer des panneaux de signalisation routière, issus du dataset GTSRB. Première partie : Préparation du dataset Le dataset GTSRB initial est composé de 50.000 fichiers images, dont les tailles et formats ne sont pas homogènes.
Intelligence Artificielle
Mooc
1 Stratégies d'apprentissage et d'évaluation d'un modèle : Partie 1, K-Fold cross validation
Comment évaluer un modèle ? Partie 1 Petit retour sur l’art et la manière d’évaluer un apprentissage. Quelles sont les différentes stratégies d’évaluation des modèles ? Validation simple, croisée (K-fold), itérative, randomisée.
Intelligence Artificielle
Mooc
2 Stratégies d'apprentissage et d'évaluation d'un modèle : Partie 2, One-hot encoding et Kereas Embedding
Comment évaluer un modèle ? Partie 2 Comment gérer des données "textuelles" ? Cette vidéo présente deux stratégies classiquement utilisées pour l’analyse du texte : l’encodage de type One Hot Encoding et l’Embedding.
Intelligence Artificielle
Mooc
3 Exemple d’analyse de sentiment (One Hot Encoding)
Exemple d’analyse de sentiment (One Hot Encoding) Un premier exemple d’analyse de sentiment par deep learning, avec l’utilisation d’un encodage One Hot. L’objectif est d’analyser des critiques de films issues de la base IMBD.
Intelligence Artificielle
Mooc
6 VAE : Implémentation d’un VAE (dataset CelebA)
VAE : Implémentation d’un VAE Mise en œuvre d’un d’un Variational Autoencoder (VAE) avec le dataset CelebA et en utilisant : - une classe VAE, construite sur Keras, - un DataGenerator spécifique, pour la gestion des données.
Intelligence Artificielle
Mooc
Introduction au Deep Learning Session 2
Formation Introduction au Deep Learning (Fidle) - Séquence 02
Intelligence Artificielle
Mooc
4 Exemple de mise en œuvre (Embedding Keras)
Ce second exemple utilise une couche d'embedding Keras. L'objectif est d'analyser des critiques de films issues de la base IMBD.
Intelligence Artificielle
Mooc
Introduction au Deep Learning Session 3
Formation Introduction au Deep Learning (Fidle) - Séquence 03
Intelligence Artificielle
Mooc
Introduction au Deep Learning Session 4
Introduction au Deep Learning (Fidle) - Séquence 04
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 05
Introduction au Deep Learning (Fidle) - Séquence 05
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 06
Formation Introduction au Deep Learning (Fidle) - Séquence 06
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 07
Formation Introduction au Deep Learning (Fidle) - Séquence 07
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 08
Formation Introduction au Deep Learning (Fidle) - Séquence 08
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 09
Formation Introduction au Deep Learning (Fidle) - Séquence 09
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 10
Formation Introduction au Deep Learning (Fidle) - Séquence 10
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 11
Formation Introduction au Deep Learning (Fidle) - Séquence 11
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 13
Formation Introduction au Deep Learning (Fidle) - Séquence 13
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 12
Formation Introduction au Deep Learning (Fidle) - Séquence 12
Intelligence Artificielle
Mooc
Introduction au Deep Learning Séquence 14
Formation Introduction au Deep Learning (Fidle) - Séquence 14 I.A., Droit, Éthique et Société
Intelligence Artificielle
Événement
JDLS2023 : Journée Deep Learning pour la Science
1re Journée Deep Learning pour la Science (JDLS) : L'IDRIS et l'ANF Fidle, avec le soutien de GENCI, MITI CNRS, EFELIA MIAI et GRICAD, organisent une journée autour du Deep Learning pour la science. Cet évènement aura lieu le vendredi 12 mai 2023 à Orsay, dans l’amphithéâtre Blandin du Laboratoire de Physique des Solides (LPS).