Aperçu des sections

  • Généralités

    Tout replier Tout déplier

    • Ce cours vise à fournir les outils méthodologiques et numériques pour exploiter le Machine Learning (ML) et le Deep Learning (DL) dans la résolution de problèmes physiques complexes. L'accent est mis sur l'interprétabilité physique des modèles, le traitement des données issues de simulations  ou d'expériences, et l'automatisation de l'analyse de données massives.

      Compétences visées :

      • Maîtriser le pipeline de traitement de données : nettoyage, normalisation et ingénierie des caractéristiques (Feature Engineering).

      • Implémenter et valider des algorithmes de régression et de classification.

      • Extraire des structures cachées dans des données multidimensionnelles sans étiquetage préalable.

      • Appliquer ces techniques à des cas concrets : prédiction de propriétés de matériaux, analyse de spectres ou optimisation de paramètres expérimentaux.


  • Chapitre I : Fondamentaux du Machine Learning

  • Chapitre II : Apprentissage Supervisé

  • Chapitre III : Apprentissage Non Supervisé

  • Chapitre IV : Deep Learning