“Introduction to deep learning” training course

Weekly training course on machine learning/artificial intelligence/deep learning, following the Fidle online course, organized by the CAN.

We will follow the 2024-25 Fidle season from last year (the 2025-26 season will start later in Fall and we will not wait for it).

Meetings on Fridays 13:30-15:00 in room M7.103 (see the schedule below).

Next sessions

 

“PINNs - Physics Informed Neural Networks” (épisode 16)

“Raissi et al. (2019) ont introduit la méthode PINNs (Physics Informed Neural Networks) dans leur article intitulé Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations. Ils ont montré que les PINNs peuvent résoudre efficacement un large éventail de problèmes en dynamique des fluides, en mécanique des solides et en mécanique quantique. Les PINNS sont une technique avancée de modélisation en IA qui permet de résoudre des problèmes de physique et d’ingénierie en utilisant des réseaux de neurones. Concrètement, Les PINNS peuvent ainsi être utilisés pour simuler des phénomènes physiques ou prédire des résultats d’expériences en utilisant des données d’entrée telles que les conditions initiales et les paramètres de la physique. L’utilisation des PINNS nécessite donc généralement une certaine connaissance de la physique associée à un problème donné et des techniques de modélisation en IA.”

Feb 20, 2026
 

“Multi-modalité” (épisode 15)

“À l’ère des données massives et diversifiées, la capacité d’un modèle d’intelligence artificielle à interpréter et intégrer des informations provenant de différentes sources est cruciale. La multi-modalité en deep learning traite de l’intégration de données variées telles que le texte, l’image, l’audio et la vidéo, afin de créer des systèmes d’IA plus complets et plus robustes. Cette séquence couvrira les concepts fondamentaux et les techniques avancées nécessaires pour traiter ces différentes sources d’information.”

Feb 6, 2026
 

“Diffusion model : Les modèles qui dessinent !” (épisode 14)

“Apparus en 2015 (Diffusion Probabilistic Model), fortement améliorés en 2020 avec l’introduction des DDPM (Denoising Diffusion Probabilistic Model), les modèles de diffusions sont une nouvelle classe d’algorithmes génératifs à l’instar des VAEs ou des GANs. Rendus célèbres par les modèles de génération d’images à partir de descriptions textuelles tels que Stable Diffusion ou Dall-E 2, les modèles de diffusions sont aujourd’hui l’état de l’art de la génération d’images et sont omniprésents dans tous les champs d’applications demandant la génération d’image. L’objectif de cette séquence est de découvrir les grands principes de cette famille de modèles.”

Jan 30, 2026
 

“Large Language Model (LLM) : Des modèles qui parlent !” (épisode 13)

“ChatGPT, Gemini, Claude, Grock, Llama, Mistral, Qwen, Deepseek, … Les LLMs peuvent être entraînés pour un très nombre de tâches. L’une des utilisations les plus connues est leur application en IA générative : ils sont capables de produire un texte de réponse à une invite ou une question. ChatGPT, un LLM accessible au public, peut par exemple générer des essais, des poèmes et d’autres formes de texte en réponse aux entrées de l’utilisateur. N’importe quel ensemble de données complexes et de grande taille peut être utilisé pour entraîner des LLM, y compris les langages de programmation. Certains LLM peuvent d’ailleurs aider les programmeurs à rédiger du code. Ils peuvent ainsi écrire des fonctions à la demande ou terminer l’écriture d’un programme à partir d’un code qui leur a été donné comme point de départ.”

Jan 23, 2026
 

“Attention Is All You Need, quand les Transformers changent la donne” (épisode 12)

“De ChatGPT à DeepL ou AlphaFold, les Transformers sont omniprésents et ont objectivement révolutionnés le monde de l’IA :-) Proposé par Ashish Vaswani en 2017, sous le titre “Attention Is All You Need”, les Transformers sont des réseaux de type “séquence to sequences”, tout comme les réseaux de neurones récurrents (RNN), qui gèrent des données de type séquentiel. Leur force réside dans leur capacité à pondérer l’importance (mécanisme d’attention) de chaque terme de la séquence et à être fortement parallélisables.”

Jan 16, 2026
 

“Méthodologie et optimisation de l’apprentissage” (épisode 11)

“Et si on mettait un peu de méthodologie ? La mise en œuvre des modèles d’apprentissage profond nécessite de passer par diverses étapes, allant de la préparation des données à la conception du modèle, en passant par le choix des fonctions de perte et des algorithmes d’optimisation, l’entraînement via la rétropropagation, la régularisation, ou encore l’ajustement minutieux des hyperparamètres. Dans cette nouvelle séquence captivante, nous allons nous plonger dans le détail de ces quelques points clés, qui conditionneront totalement la qualité de tous nos apprentissages !”

Jan 9, 2026
 

“Graph Neural Network (GNN) : Travailler avec des données structurées” (épisode 10)

“Vos données ne sont pas naturellement ordonnées sur une grille régulière ? Vous souhaitez représenter des objets complexes ou des interactions ? Des molécules ? Un réseau ? Cette situation est probablement la votre si vous travaillez dans des domaines scientifiques tels que la biologie, la chimie, les sciences humaines et sociales, etc. Face à de telles données, pas de panique :-) Vous avez la possibilité de faire du Deep Learning avec une famille de méthodes développées spécialement pour les graphes : Les réseaux de neurones sur graphes ou, en vo, les Graph Neural Networks (GNN). Durant cette séquence, nous vous présenterons les bases permettant d’utiliser ces GNN.”

Dec 19, 2025
 

“Représentation du réel : Data, embedding et espace latent” (épisode 9)

“Les données sont au centre du machine learning, pour le meilleur et parfois pour le pire ! À travers cette nouvelle séquence, nous allons explorer la complexité des données et leur capacité (ou non) à décrire le monde réel. Les données brutes sont souvent décrites dans des espaces qui sont peu pratiques pour l’apprentissage. Il est souvent nécessaire que nos modèles transforment les données pour pouvoir apprendre les motifs qui vont les aider à réaliser leur tâche. Cette transformation va être faite avec des technique de plongement ou embedding qui vont permettre de définir des espaces où les paramètres importants pour la tâches sont mieux décrits. C’est la notion d’espace latent.”

Dec 12, 2025
 

“Architectures composites : Encoder-Decoder, AE, VAE, U-net…” (épisode 8)

“Dans cette séquence, après avoir vu des modèles de classification ou de régression, nous étudierons des exemples d’architectures composites pour des applications avancées et diversifiées. Les Réseaux auto-encodeurs (AE) sont particulièrement intéressants de par leur capacité à effectuer, de manières non supervisées, des représentations compactes de données complexe. Ils sont ainsi très utiles pour une large variété de tâches telles que la reconstruction, la détection d’anomalies, la réduction de dimensionnalité, le débruitage ou encore la génération de données. Les Variational Autoencoder (VAE) sont une famille de modèles génératifs capable de projeter, de manière contrôlée, des données de grande dimension dans un espace latent de plus faible dimension. Ils sont particulièrement intéressants car, contrairement aux autoencodeurs “basiques”, la projection dans l’espace latent est organisée de manière à permettre une compréhension et une utilisation de cet espace latent, telle que la génération de données, l’extraction de caractéristiques ou l’augmentation des données. Les domaines d’applications sont potentiellement nombreux, vision par ordinateur, détection d’anomalie, reconnaissance vocale, etc.”

Dec 5, 2025
 

“Mathématiques pour le Deep Learning et gradients” (épisode 7)

“Cette séquence, animée par Laurent Risser de l’Institut de Mathématiques de Toulouse, démystifiera les bases mathématiques des réseaux de neurones à travers des illustrations concrètes en PyTorch. Nous découvrirons comment un réseau de neurones transforme une image pour en extraire progressivement les informations et les représentations pertinentes. Nous prendrons aussi le temps de comprendre les principes fondamentaux de l’apprentissage, notamment la descente de gradient et la rétro-propagation. Enfin, nous discuterons de l’importance des espaces latents, qui sont au cœur de l’utilisation des réseaux de neurones modernes.”

Nov 28, 2025
 

“Principes et concepts des réseaux de neurones convolutifs (CNN)” (épisode 6)

“Proposés par Yann LeCun, à la fin des années 90, les réseaux de neurones convolutifs constituent une brique essentielle et incontournable de l’intelligence artificielle moderne :-) A travers cette séquence riche en images, nous explorerons les fondamentaux des CNN et mettrons en œuvre de manière pratique ces réseaux, à travers des exemples simples mais représentatifs, de classification d’images.”

Nov 14, 2025
 

“Tout ce qu’il faut savoir sur les réseaux de neurones pour devenir un héros !” (épisode 5)

“Lors de la première partie, nous avons découverts les grands principes de l’IA, un certains nombres d’enjeux et de limites ainsi que le cadre règlementaire qui se met en place. Cette seconde partie à pour but d’appréhender la mise en oeuvre ces outils, comment élaborer des modèle et entrainer ceux-ci, afin de résoudre des probèmes concrets. Cette formation propose une immersion progressive dans l’univers des réseaux de neurones. Nous partirons des fondamentaux de la régression linéaire jusqu’à la construction d’un neurone artificiel. Nous explorerons ensuite comment l’assemblage de ces neurones a donné naissance à des architectures complexes telles que DNN, véritables symphonies d’interconnexions neuronales. Nous découvrirons le rôle crucial des fonctions d’activation, véritables “bougies d’allumage” des réseaux de neurones, ainsi que l’importance des fonctions de Loss et des métriques dans le suivi de la performance. Une illustration pratique autour d’une régression oenologique avec un DNN viendra ancrer ces notions dans un cas d’usage concret. Enfin, nous aborderons des bonnes pratiques pour guider l’utilisation de ces modèles en fonction des problématiques rencontrées.”

Nov 7, 2025
 

“L’IA dans notre quotidien, démonstrations et illustrations !” (épisode 2)

“L’IA permet actuellement de nombreuses avancées et est en passe de révolutionner nos pratiques. Lors de la première séquence, nous avons eu l’occasion de découvrir ensemble les bases et concepts de l’IA, de l’Apprentissage Machine et du Deep Learning. Cette nouvelle séquence à pour objet d’appréhender et découvrir ensemble un certain nombre d’exemples d’applications et de services, disponibles aujourd’hui.”

Oct 17, 2025
 

“L’IA est-elle notre amie ? Le grand procès de l’IA” (épisode 3)

“L’IA et plus particulièrement les réseaux de neurones profonds soulèvent de nombreuses questions… Peu explicables, porteurs de biais de discrimination, coupables de manipulation, d’être sujets aux hallucinations, d’aggraver les inégalités sociales, de déshumaniser nos échanges, d’avoir une empreinte carbone catastrophique, menacer nos démocraties, etc. L’utilisation de l’IA soulève de très nombreuses questions éthiques, économiques et sociales ! Lors de cette toute nouvelle séquence, nous dresserons un large panorama de cette face sombre de l’IA, sous la forme d’un véritable procès contradictoire dont l’accusée sera l’IA !”

Oct 17, 2025
 

“IA, droit, société et éthique : Vivre avec l’IA !” (épisode 4)

“Après avoir vu les grands principes, des exemples pratiques et les grandes questions soulevées par l’IA, nous allons nous intéresser aux réponses ! Après un bref retour sur ces questions éthiques, cette séquence s’intéressera au cadre légal actuel et comment et de quelle manière le Droit peut y répondre, afin de protéger les citoyens. Différents exemples pratiques illustreront ensuite des mesures mises en place dans cette optique. Un aperçu de solutions récentes pour mesurer, détecter et corriger les biais de discrimination sera enfin donné.”

Oct 17, 2025
 

“Bases, concepts et histoire du Deep Learning” (épisode 1)

“Nous verrons, lors de cette première séquence très générale, comment l’apprentissage machine et les réseaux de neurones en particulier, se sont imposés après 50 ans de controverses …et comment ils ont révolutionnés le monde de l’IA. Cette séquence est accessible à toutes et à tous, sans prérequis particulier.”

Oct 10, 2025
No matching items

Full schedule available here.

Organization

You will have to watch a video course every week on your own before the next friday session.

Check the organization page and the schedule below for more information (what, where, when…).

Instructions

Check the dedicated setup page for the installation/configuration instructions (for the tutorials/practicals).

Training materials

Information about all training materials (including video courses, presentation and tutorial/practical supports) can be found on this page.

If you feel lost with the vocabulary, you can check the glossary page.

License

Unless otherwise and explicitly mentioned, these contents are available under the Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International license (CC BY-NC-SA 4.0).

In particular, the included “Fidle” logo and training materials are available under the CC BY-NC-SA 4.0 license and can be found in there original version with identification of their original authors in this git repository.

The sessions/img/delayed.jpg image is available under the Pixabay content license, check the sessions/img/delayed.jpg.license file for more details.