HELMo
Inscription

UE31 Deep Learning

En pratique

  • Cette unité d'enseignement (UE) articule 1 activité d'apprentissage :
    • Deep learning
  • En 2026-2027, elle s'organise au premier quadrimestre et couvre 4 crédits (ECTS).
  • L'enseignement est principalement centralisé dans le campus : Département Informatique
  • Cette UE est remédiable d'une session à l'autre
  • Modalités d'enseignement
    • Auditoire
    • Groupe classe
    • en autonomie

Activité d’apprentissage

Les finalités de l'UE

Cette UE traite du Deep Learning pour le traitement de données complexes. Elle participe à la compétence « Collaborer à l’analyse, la conception, la mise en œuvre et l’évaluation d’un système informatique d’intelligence artificielle » :

  • Effectuer la correspondance entre un problème business et les outils et algorithmes permettant 
    de le résoudre.
  • Pouvoir justifier les choix en termes d’efficacité, de rapidité, d’explicabilité…
  • Sur base de spécifications issues d’une analyse :
    1. développer une solution logicielle ;
    2. mettre en œuvre une architecture informatique (réelle et virtuelle) ;
    3. suggérer des améliorations.
  • Élaborer des modèles prédictifs et/ou des solutions d'aide à la décision ou de recommandation.
  • Proposer et mettre en œuvre des techniques d’évaluation du modèle résultant.

Les contenus de l'UE

Le Deep Learning (DL) permet l'analyse de données complexes (e.g., images, langage naturel) et est à la base de nombreuses innovations en IA, telles que les Large Language Models (LLMs) comme ChatGPT ou encore les générateurs d'images comme DALL-E.

Dans ce cours, l'étudiant apprendra comment fonctionne un réseau de neurones profond et comment l'optimiser (apprentissage du modèle). Diverses architectures de réseaux de neurones utiles pour différentes tâches seront abordées : les Convolutional Neural Networks (CNNs) utilisés en analyse d'images, les Recurrent Neural Networks (RNNs) et les Transformers utilisés pour le traitement du langage et des séquences, les Generative Adversarial Networks (GANs) utilisés pour la génération de données réalistes (e.g., deepfakes), ou encore les auto-encoders utilisés notamment pour la détection d'anomalies.

Un soin particulier sera apporté à l'évaluation de la performance des modèles développés, et à leur optimisation aussi bien en termes d'efficience brute (e.g., le modèle prédit-il bien la réalité) que de ressources computationnelles.

L'étudiant mettra en pratique les concepts abordés aussi bien par le biais d'implémentations de certains algorithmes fondamentaux (e.g., la rétropropagation ou back-propagation pour l'optimisation), que par l'utilisation de frameworks modernes de Deep Learning utilisés dans l'industrie (e.g., PyTorch).

Les acquis d'apprentissage visés par l'UE

À l’issue de ce cours, l’étudiant sera capable :

  • d'expliquer le fonctionnement des principaux algorithmes de deep learning ;
  • d’analyser leur principales propriétés théoriques, computationnelles et statistiques ;
  • de les implémenter et de les utiliser de manière appropriée ;
  • d’en évaluer rigoureusement les performances.

Les méthodes d'enseignement-apprentissage

Des cours théoriques introduiront les différents concepts et algorithmes, qui seront illustrés à l'aide d'exemples.

Des projets pratiques en Python complèteront la partie théorique pour renforcer la compréhension des concepts : implémentation d’algorithmes, expérimentation sur des jeux de données artificiels ou réels, paramétrage et entraînement de modèles. Ces projets se feront lors de séances de laboratoires, mais également en autonomie. Certains projets feront l'objet d'un travail à rendre (rapport écrit, code source ou modèle). Les projets sont à faire individuellement.

Engagement attendu de la part de l'étudiant.e

Une participation active aux cours est vivement recommandée :

  • Les transparents présentés devront être complétés par une prise de notes personnelles (ou, à défaut, par une recherche à domicile).
  • L'étudiant sera invité à répondre à des questions, et à en poser.

L'étudiant devra effectuer les laboratoires en visant la compréhension des principes sous-jacents, avec une approche réflexive.

L'étudiant devra réaliser et soumettre les projets demandés en temps et en heure, suivant les modalités décrites sur la page du cours.

Examen écrit

Cette épreuve présente des modalités similaires pour toutes les sessions. Elle est organisée durant la session. Il s'agit d'un examen. Cette épreuve est individuelle. Concrètement, l'épreuve repose sur une formulation écrite. L'épreuve repose sur des réponses longues, réponses courtes, réponses choisies parmi des propositions, formulations personnelles. Elle se déroule à cours fermé. La correction de cette épreuve est assurée par validation mixte : automatique et par un.e enseignant.e.

Projets

Cette épreuve présente des modalités similaires pour toutes les sessions. Elle est organisée de manière continue. Il s'agit d'un travail. Cette épreuve est individuelle. Concrètement, l'épreuve repose sur une formulation écrite, une réalisation par mise en pratique. L'épreuve repose sur des réponses longues, réponses courtes, réponses choisies parmi des propositions, formulations personnelles. Elle se déroule à cours ouvert. La correction de cette épreuve est assurée par validation mixte : automatique et par un.e enseignant.e.

Règles de l’UE

Comment la note globale de l’UE est-elle déterminée ?

Explication de la pondération des différentes épreuves

L’évaluation repose sur un examen écrit (70%) et sur les projets (30%).

Les projets peuvent comprendre un rapport écrit, un code source ou un modèle à remettre dans les délais imposés.

L’examen écrit évalue la compréhension des concepts théoriques. Il consiste à répondre à des questions sur l’ensemble de la matière.

En cas de seconde session, l'étudiant pourra re-soumettre les projets de son choix, et devra repasser l'examen écrit.

Quelles sont les informations administratives de cette UE ?