Au terme de ce cours, l’étudiante ou l'étudiant sera en mesure de maîtriser et expérimenter les concepts de base de l’apprentissage profond, incluant : différents types d'architectures de réseaux de neurones profonds, leurs applications, et les avantages et limitations de ces architectures; conception et optimisation de modèles pour une application donnée; l’entrainement des réseaux profonds : fonctions de coûts, rétro‐propagation, descente de gradient stochastique, régularisation et augmentation des données; réseaux de neurones à convolution; réseaux récurrents; modèles génératifs : auto-encodeurs, réseaux adversaires génératifs; apprentissage faiblement supervisé; robustesse des réseaux profonds et attaques adverses; interprétabilité des réseaux profonds; apprentissage par renforcement.
