L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui se concentre sur l'apprentissage de représentations complexes et hiérarchiques à partir de données brutes. La méthode dominante pour y parvenir, les réseaux neuronaux artificiels a révolutionné le traitement des données (par exemple les images, les vidéos, le texte et l'audio) ainsi que les tâches de prise de décision (par exemple les jeux). Son succès a permis un nombre considérable d'applications commerciales pratiques et a eu un impact important sur le développement des technologies de l'information.

Dans ce cours, les étudiants apprendront les principes fondamentaux, les mathématiques sous-jacentes et les détails de mise en œuvre de l'apprentissage profond.
Cela inclut les concepts et les méthodes utilisés pour optimiser ces modèles hautement paramétrés (descente de gradient et rétro propagation, et plus généralement les graphes de calcul), les modules qui
les composent (couches linéaires, de convolution, de mise en commun), les fonctions d'activation, etc, et
les architectures courantes de réseaux de neurones (réseaux de neurones convolutifs, réseaux de neurones récurrents, etc).

Grâce à des travaux de programmation, les étudiants apprendront à mettre en œuvre ces éléments fondamentaux et à les assembler.