Data Science en Physique

Alexandre Mayer

Master en Sciences Physiques

Table des matières :

1. Introduction au Python
   • Travailler avec Anaconda (Python 3.x)
   • Installation de librairies
   • La librairie Numpy pour le calcul scientifique
   • La librairie Matplotlib pour la réalisation de graphiques
2. TensorFlow & Keras
   • Installation de TensorFlow (versions CPU & GPU)
   • Installation de Keras
   • Utilisation de TensorFlow & Keras sur le cluster
3. Challenge & Datasets
4. Cours théorique
   • Régression logistique
   • Réseaux de neurones I
     Deep Neural Networks (DNN) : théorie & implémentation avec Keras
     Exercice sur les fonctions logiques
     DNN on MNIST
   • Réseaux de neurones II (implémentation avancée)
     Formulation matricielle & algorithme de back-propagation
     Batch Gradient Descent with Momentum, Adam, RMS Prop
     Techniques de régularisation
     Les concepts d'entropie et de cross-entropie
     Tuning of hyperparameters
     DNN on MNIST revisited
     DNN with visualization of features
   • Convolutional Neural Networks
     CNN on MNIST
     CNN with visualization of features
   • Pretrained Convolutional Neural Networks
     VGG16 on MNIST
     VGG16 with visualization of features
     Neural Style Transfer
     Deep Dreaming with Inception
   • PCA, t-SNE, AutoEncoders & Variational AutoEncoders
     PCA, t-SNE, AutoEncoders on MNIST
     Variational AutoEncoders on MNIST
     Variational AutoEncoders & Art
5. Cours en ligne
   • Neural Networks and Deep Learning
   • Convolutional Neural Networks
   • Addressing Large Hadron Collider Challenges by Machine Learning
6. Machine Learning & Physique
7. Thèmes avancés