Computer vision and machine learning for the material scientist

A l’issue de la formation, les participants seront capables de :

• traiter des problèmes de régression et de classification sur des données massives ;
• déployer une méthode de régression pour pratiquer la métamodélisation et/ou réaliser un plan d’expérience ;
• entrainer et utiliser des réseaux de neurones ;
• utiliser des réseaux de neurones convolutionnels pour la segmentation d’image.

 Lundi 26 février (9h-17h30) : Introduction à l’imagerie et aux techniques d’apprentissage automatique

Objectif pédagogique :

Présenter les différentes modalités d’imagerie, ainsi que les bases pour les techniques d’apprentissage supervisé (classification).

Programme de la séquence :

Imaging and computer vision , Tutorial classification k-NN , Machine learning  , Tutorial machine learning

Mardi 27 février (9h-17h30) : Apprentissage automatique supervisé et non supervisé

Objectif pédagogique :

Présenter les techniques d’apprentissage automatique supervisés et non supervisés pour les problèmes de classification et de régression. Mettre en pratique les algorithmes K-means et graph-cut.

Programme de la séquence :

Machine learning 2 , Tutorial machine learning 2 , K-means and graph-cut segmentation , Tutorial K-means and graph-cut

Mercredi 28 février (9h-17h30) : Méta-modèles

Objectif pédagogique :

Utiliser les méthodes d’apprentissage statistique classique pour compresser et extrapoler l’information issue de codes de calculs ou d’un ensemble d’expériences physiques. L’accent est porté sur la sélection de modèle, d’abord par validation croisée sur un cas de régression polynomiale généralisée, et dans un second temps par méthode bayésienne pour des cas de régression linéaire généralisée et régression non-paramétrique probabilistes.

Programme de la séquence :

PK : (i) régression et interpolation en petite et moyenne dimensions, (ii) validation croisée, sélection de modèle par early-stopping (iii) méthode de régression polynomiale bayésienne (iv) apprentissage actif par processus gaussien

Jeudi 29 février (9h-17h30) : Réseaux de neurones pour l’apprentissage profond

Objectif pédagogique :

Comprendre comment fonctionne un réseau de neurone, apprendre à entrainer un réseau de neurone.

Programme de la séquence et intervenants :

Introduction to neural networks , Tutorial neural networks , Deep learning , Tutorial deep learning

 Vendredi 1er mars (9h-17h30) : Réseaux de neurones convolutionnels pour l’analyse d’image

Objectif pédagogique :

Comprendre la notion de réseau convolutionnel. Adapter un réseau de neurone pour la segmentation sémantique d’image.

Programme de la séquence et intervenants :

Convolutional neural nets , Tutorial CNN , CNN for Semantic segmentation , Written exam

Public cible : ingénieurs en mécanique des matériaux

Pré-requis : notion de base de programmation numérique, idéalement avec Python (numpy)

Possibilité d’inscription jusque J-2 avant la date de la formation

5 jours de formation en présentiel en continu sur 1 semaine, organisés en mode hybride : en présentiel au sein du Centre des matériaux de MINES Paris (Evry) et en distanciel pour les participants ne pouvant ou ne souhaitant pas suivre la formation en présentiel

Les enseignements sont dispensés sous forme de cours et de travaux dirigés sous Google collab

L’atteinte des objectifs de cette formation par les participants est évaluée au travers de leur participation effective (assiduité) et d’un QCM de 30 questions administré en ligne (moodle).

La formation est sanctionnée par la délivrance d’une attestation d’assiduité.

L’ensemble des supports sont disponibles à partir de l’espace partagé moodle.

Tous les enseignements théoriques (1h30) font l’objet de séquences de travaux pratiques (1h30) avec le langage Python sous jupyter ou Google collab.