DL for vision: laboratoires

Introduction

Des notebook jupyter sont proposés pour chaque laboratoire, au cours de chaque labo, votre avancement sera noté.

Commencez par cloner le dépot git suivant: https://github.com/KenN7/deep-learning

Labo MLP

Dans le dossier deep-learing/labs, pour ce labo, vous devez faire les notebook numerotés de 1 à 4.

Labo CNN et autoencodeur

Dans le dossier deep-learing/labs, pour ce labo, vous devez faire les notebook numerotés de 5 à 8.

Pour finir, à l'aide des différents programme que vous veniez d'étudier, vous devez réaliser vous même un modèle de classification d'objets défectueux.

Implementer et tester, en utilisant le dataset Mini Waffles:

• La classification de gauffres abimées en apprentissage supervisé avec une architecture CNN.

Labo application

Vous devez réaliser vous même un modèle de détection d'anomalies à partir d'une partie du dataset MVTec AD, de votre choix.

Implementer et tester:

• la détection d'anomalies en apprentissage non supervisé grâce à l'architecture CNN et autoencodeur.

Evaluation

Durant chaque laboratoire votre avancement sera côté, le labo 1 vaut 5 points, labo 2 vaut 5 points et le labo 3 vaut 6 points.

Ressources

• Understanding Deep Learning, Simon J.D. Prince.
• CS231n: Deep Learning for Computer Vision, Stanford university.
• Dive into Deep Learning
• Introduction to Deep Learning, Sebastian Raschka