Centrale Méditerranée
Sitraka FORLERCentrale Méditerranée · AMSE

Machine Learning, Option DDEFI

Deep learning

Le deep learning, l'essentiel : les concepts clés, pourquoi les connaître, les maths au tableau, et un mini-TD

Référence pour tout le cours, à lire par piste, maths ou code, puis l'autre, deck de référence
Centrale Méditerranée, Technopôle de Château-Gombert, Marseille

θ₀θ*θ ← θ − η ∇f(θ), η = 0.12, f = θ₁² + 7 θ₂²
Figure 1 : descente de gradient, chaque pas est perpendiculaire aux lignes de niveau, d'où le zigzag quand le problème est mal conditionné.

Ouvrir la séance

Chaque séance a son mot de passe, donné en cours. Majuscules, espaces et traits d'union n'ont pas d'importance. Les slides sont chiffrées : rien n'est lisible sans lui.

Dans cette séance

  1. Graphe de calcul, pas de gradient et Hessienne, normalisation et batch norm
  2. Profondeur et ResNet, convolution, RNN et LSTM, attention et transformers
  3. Autoencodeurs, VAE, GAN : les formules seules, puis en mots, puis en dix lignes
  4. Un mini-TD de six exercices, piste maths et piste code, avec corrigés
Introduction14 octobre 2026Outils14 octobre 2026Séance 114 octobre 2026Séance 214 octobre 2026Séance 315 octobre 2026Séance 415 octobre 2026Devoir 1Jalon 1Séance 515 décembre 2026Séance 616 décembre 2026Séance 716 décembre 2026Devoir 2Jalon 2Séance 812 février 2027Devoir 3Rendu finalSéance 912 mars 2027Fil rougeRéférenceExempleRéférenceLe codeRéférenceProjetsRéférenceManuelRéférenceInfraRéférencePanoramaRéférenceDeep learningRéférence
Figure 2 : le fil du cours ; cette séance est encadrée.
SéanceTitreDate
IntroductionL'IA à la croisée des chemins : histoire, creux, emplois, et vous14 octobre 2026Ouvrir
OutilsKaggle, GitHub, Python : vos outils, vos comptes, votre dépôt14 octobre 2026Ouvrir
Séance 1Cadrer avant de modéliser, puis les moindres carrés14 octobre 2026Ouvrir
Séance 2Vraisemblance, généralisation, lancement du projet14 octobre 2026Ouvrir
Séance 3Optimisation convexe et régularisation15 octobre 2026Ouvrir
Séance 4Décider sous coût, livrer un dépôt reproductible15 octobre 2026Ouvrir
Devoir 1Devoir après le bloc 1 : une baseline défendableJalon 1Ouvrir
Séance 5Contrôle de rentrée, noyaux, SVM et arbres de décision15 décembre 2026Ouvrir
Séance 6Forêts, boosting et la comparaison honnête16 décembre 2026Ouvrir
Séance 7Expliquer, auditer l'équité, découvrir sans étiquettes16 décembre 2026Ouvrir
Devoir 2Devoir maison entre les blocs 2 et 3 : un modèle champion documentéJalon 2Ouvrir
Séance 8Réseaux de neurones, dérive, conformité, mise en service12 février 2027Ouvrir
Devoir 3Devoir maison après le bloc 3 : le projet livréRendu finalOuvrir
Séance 9Journée de présentation finale : les soutenances12 mars 2027Ouvrir
Fil rougeLe fil rouge, pas à pas : le dépôt du score de défaut, en captures d'écranRéférenceOuvrir
ExemplePrédire le prix d'un actif : séries temporelles, XGBoost et le sentiment des newsRéférenceOuvrir
Le codeLe code de chaque modèle : importer, télécharger par API, ajuster, prédireRéférenceOuvrir
ProjetsDonnées ouvertes et projets de machine learning par secteur : finance, assurance, logistique, tech, sportRéférenceOuvrir
ManuelLe manuel de l'expert data et IA : cadrer, outiller, modéliser, déployer, observerRéférenceOuvrir
InfraData engineering, SRE et cloud : les commandes, les principes, les métiers, du junior à l'expertRéférenceOuvrir
PanoramaPanorama des modèles : lesquels, pour quoi faire, dans quels secteursRéférenceOuvrir
Deep learningLe deep learning, l'essentiel : les concepts clés, pourquoi les connaître, les maths au tableau, et un mini-TDRéférence

Tableau 1 : les séances du cours, dans l'ordre ; chacune s'ouvre avec son propre mot de passe.