Découvrir l’Exed Mines ParisTech
Par type de formations
Par thématiques
Rechercher
Accueil » Formations » Computer vision and machine learning for the material scientist
Mécanique & matériaux
Programme court
A l’issue de la formation, les participants seront capables de :
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
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.
Machine learning 2 , Tutorial machine learning 2 , K-means and graph-cut segmentation , Tutorial K-means and graph-cut
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.
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
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
Comprendre la notion de réseau convolutionnel. Adapter un réseau de neurone pour la segmentation sémantique d’image.
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.
5 jours
2 740€ HT (3 288€ ttc)
Du 12 au 16 février 2024
Pour obtenir le lien de téléchargement du document, merci de renseigner les informations suivantes
Pour obtenir le bulletin d'inscription ou la convention/contrat de formation, merci de renseigner les informations suivantes. Le document vous sera envoyé pré-rempli à votre nom par courriel
Payer en ligne
96% des participants de la session de février 2022 se sont déclarés satisfait ou très satisfait de leur formation.
Henry Proudhon est Directeur de recherches CNRS au sein du Centre des matériaux de MINES ParisTech. Habilité à diriger des recherches (HdR), Henry Proudhon a reçu en 2016 le "FEMS-TMS Young Leaders International Scholar Award". L'année précédente, il a été Lauréat 2015 du FEMS Lecturer Award for Excellence in MSE.
Contactez-nous pour une formation sur-mesure