Computer vision

1 - Réseaux de neurones
Optimisation numérique
- Fonctions vectorielles, dérivées partielles, descente de gradient

Perceptrons multicouches
- Activation, rétro-propagation, régularisation et stabilité numérique

Réseaux convolutifs et traitement d'image
- Couche de convolution, de pooling, filtres, resizing et downsampling

Réseaux récurrents et NLP
- Variables latentes, GRU, LSTM, Word2Vec, nettoyage de texte

2 - Détection d'objets
Entraînement sur GPU
- Configuration d'un code Python pour GPU avec Cuda, surveillance des coeurs
- Comparaison des performances CPU vs GPU

Pré-entraînement de modèles
- Extraction de caractéristiques avec VGG, fine-tuning de réseau de classification
- Évaluation des performances hors convolution

Détections d'objets dans la rue
- Modèle YOLO pour les Bounding Box avec probabilités
- Pré-entraînement de YOLO sur COCO appliqué à BDD100k.

3 - Segmentation d'objets
Auto-encodeurs
- Théorie des auto-encodeurs, entraînement et auto-encodeurs variationnels

Segmentation d'objets
- Procédés de segmentation et construction de labels
- Application de U-NET sur BDD100k pour la segmentation d'objets
- Évaluation des performances de segmentation

Optimisation d'hyper-paramètres
- Méthodes de recherche par grille d'optimisation U-NET
- Optimisation bayésienne sur U-NET

4 - Génération et augmentation
Generative Adversarial Networks
- Entraînement, convergence vers une solution locale
- Application des GANs à la super résolution d'images
- Application des GANs à la génération d'images satellites

Reconnaissance de texte
- Création d'un algorithme d'OCR avec Tesseract