| Professeur : E. Franck |
| Informations : cours et exercices de Master, Université de Strasbourg. |
| Mots clés : Lois de conservations, réduction de dimension, apprentissage, réseaux de neurones. |
| Programme du cours: |
| Cours 1: Introduction aux lois de conservations et à la réduction de dimension.
Documents pour les lois de conservation: Lois de conservation et méthodes de volumes finis. Documents pour la réduction de dimension linéaire: Réduction de dimension pour les EDP |
| Cours 2: Apprentissage machine linéaire.
Documents pour l'apprentissage linéaire: Régression et maximum de vraissemablance Maximum a Poseriori et sur-apprentissage |
| Cours 3: Apprentissage machine nonlinéaire.
Documents pour l'apprentissage nonlinéaire: Régression à noyau Processus Gaussien |
| Cours 4: Apprentissage profond.
Documents pour l'apprentissage profond: Introduction aux réseaux de neurones Réseaux convolutifs Réseaux récurrents |
| Cours 5: réduction linéaire et rappel de graphes.
Documents: Réduction linéaire Rappel de graphes |
| Cours 6: réduction nonlinénaire.
Documents: Méthodes de variétés Méthodes de variétés Méthodes de variétés Autoencodeurs |
| Cours 7: Modèles réduits pour la réduction nonlinélaire.
Documents: Apprentissage d'EDO Méthodes de projection et d'inférence Méthodes de fermeture |
| Cours 8: PINNs.
Documents: PINNs Théorie 1, Théorie 2 Variantes |
| Cours 9: Opérateux neuraux.
Documents: Principes Cas général FNO |