| 2 avril |
Examen |
|
| 29 mars |
Révision |
|
| 26 mars |
Réseaux à convolution |
Article sur le Neocognitron.
Article sur LeNet.
Tutoriel sur les réseaux à convolution.
|
| 22 mars |
Gradient profond.
DAE vs AE |
fin de Présentation de Yoshua Bengio.
Auto-encodeurs débruitants vs auto-encodeurs ordinaires. |
| 19 mars |
Défi de la profondeur |
Le défi d’entraîner des réseaux de neurones profonds. |
| 15 mars |
Pré-entraînement |
Présentation de Yoshua Bengio. |
| 12 mars |
Pré-entraînement |
Présentation de Dumitru Erhan. |
| 1 mars |
DBMs, |
Deep Boltzmann Machine. |
| 20+23 février |
DBNs |
RBMs empilés et DBNs. |
| 13+16 février |
RBMs |
La Machine de Boltzmann Restreinte. |
| 6+9 février |
Modèles probabilistes |
Modèles probabilistes pour les architectures profondes. |
| 2 février |
Modèles probabilistes,
Lancer de jobs au LISA |
Intro aux Modèles probabilistes pour les architectures profondes.
Jobman.
|
| 30 janvier |
Modèles probabilistes |
Intro aux Modèles probabilistes pour les architectures profondes. |
| 26 janvier |
Auto-encodeurs,
DAE |
Section 4.6 de Learning Deep Architectures for AI.
Denoising Auto-Encoders |
| 23 janvier |
python, numpy, Theano
Régression logistique
|
Documentation sur python,
numpy, et Theano.
Exemple avec la Régression logistique.
Notes sur l’entraînement des MLPs. |
| 19 janvier |
Réseaux de neurones |
Efficient Backprop.
Intro au tutorial profond de Theano.
Démarrage du tutoriel. |
| 16 janvier |
Le calcul du gradient |
Notes sur le calcul du gradient. |
| 12 janvier |
Intro aux
architectures
profondes |
Notes introductoires sur les architectures profondes,
Sec. 1 de Learning Deep Architectures for AI.
Notes sur le gradient. |
| 9 janvier |
Intro aux
architectures
profondes |
Notes introductoires sur les architectures profondes,
Sec. 1 de Learning Deep Architectures for AI. |
| 5 janvier |
Intro au cours
Intro à
l’apprentissage
|
plan de cours .
diapos. .
Notes introductoires sur l’apprentissage,
Sec. 1 et 2 de Scaling Learning Algorithms towards AI.
|