Apprentissage

Description du cours

Cette unité d’enseignement forme aux bonnes pratiques de développement avancé en apprentissage automatique, avec un accent sur les techniques récentes utilisées en recherche et en production. À partir de cas concrets sur des données images, textes ou multimodales, les étudiants apprendront à structurer un projet de bout en bout : organisation modulaire, gestion efficace des données, entraı̂nement sur GPU, suivi expérimental (TensorBoard), optimisation de modèles profonds (distillation, warmup, PEFT, ...), et déploiement reproductible via Docker. L’UE couvre également l’usage de modèles et de techniques récentes comme Mistral, CLIP, ... Les travaux pratiques aborderont également la diversité des données et des modèles : réseaux convolutifs, modèles séquentiels ou transformers pour le texte, classification supervisée et génération.

Modalités d'évaluation

Session 1 :

• Contrôle continu (CC1) : Projet de TP noté consistant à optimiser et déployer un modèle multimodal dans un environnement de calcul restreint (documents non autorisés).
• Contrôle continu (CT1) : Devoir sur table d’une durée de 2h (documents non autorisés).
• Note finale : la note finale est calculée de la façon suivante : 21 × CC1 + 21 × CT 1.

Session 2 :

• Contrôle terminal (CT2) : Devoir sur table d’une durée de 2h (documents non autorisés).
• Note finale : la note finale est calculée de la façon suivante : 21 × CC1 + 21 × CT 2.