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, y compris des modèles génératifs adversariaux ;
• utiliser des réseaux de neurones convolutifs pour la segmentation d’image.

 Lundi 12 février (9h-17h00) : Introduction à la vision par ordinateur et aux techniques d’apprentissage automatique supervisé et non supervisé

Objectif pédagogique :

Introduction aux notions de computer vision. Présentation des grandes classes d’apprentissage automatique supervisés et non supervisés pour les problèmes de classification et de régression.

Mettre en pratique les algorithmes K-means et graphcut.

Programme de la séquence :

Machine learning 1, Tutorial machine learning 1, Machine learning 2, Tutorila machine learning 2

Mardi 13 février (9h-17h00) : Conférences industrielles et réseaux de neurones pour l’apprentissage profond

Objectif pédagogique :

2 conférences (1 industrielle et 1 académique) présenteront les enjeux des modèles d’apprentissage automatique dans l’industrie et la mécanique des matériaux. La deuxième partie de la journée sera consacrée aux modèles d’apprentissage profond de type réseaux de neurones complétement connectés. Nous verrons comment ils fonctionnent et comment les entrainer.

Programme de la séquence :

Conférence industrielle, conférence Machine learning en mécanique des matériaux, Deep learning, Tutorial Deep learning

Mercredi 14 février (9h-17h00) : 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. Finalement, nous aborderons l’utilisation des réseaux de Neurones pour la méta-modélisation, notamment pour une spécialisation des approches de type Physics-Informed Neural Networks permettant de résoudre des systèmes d’équations aux dérivées partielles dans les espaces paramétriques.

Programme de la séquence :

(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 (v) Physics-Informed Neural Networks pour les systèmes d’EDP paramétrés

Jeudi 15 février (9h-17h00) : Réseaux de neurones convolutifs pour l’analyse d’image

Objectif pédagogique :

Comprendre la notion de réseau convolutif et leur spécificité (localité, stationnarité, compositionnalité, champ réceptif). Comprendre les notions d’autoencodeurs et de modèles génératifs adversariaux.

Programme de la séquence :

Convolutional neural nets, Tutorial CNN, Autoencoders and GEN models, tutorial GAN

 Vendredi 16 février (9h-17h00) : Apprentissage profond pour la détection d’objet et la segmentation d’image

Objectif pédagogique :

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

Programme de la séquence :

CNN for Semantic segmentation, tutorial segmentation, Object detection with CNNs, Online 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 ou distanciel (mode hybride) en continu sur 1 semaine : organisés au sein du Centre des matériaux de MINES Paris (Evry).

La gestion du cours s’appuie sur un support informatique de type Moodle. Les enseignements sont forme de cours et de travaux dirigés.

L’atteinte des objectifs de cette formation par les participants est évaluée au travers de leur participation effective (assiduité) et leur compréhension des travaux pratiques proposés durant les 5 jours de formation lors d’un examen sous forme de QCM le vendredi. La formation est sanctionnée par la délivrance d’une attestation d’assiduité.

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

Tous les enseignements théoriques (1h30) font l’objet de séquences de travaux pratiques (1h30) avec le langage Python, la librairie tensorflow et sous l’environnement Google collab.

La formation est placée sous la responsabilité pédagogique d’Henry Proudhon, Directeur de recherche CNRS au sein du Centre des matériaux de MINES Paris, en charge de la coordination de l’équipe pédagogique complétée par Pierre Kerfriden et Bruno Figliuzzi.