Introduction au machine learning scientifique
Description
Rappels de calcul scientifique et d’analyse numérique.
Bases de l’apprentissage automatique.
Réseaux de neurones artificiels.
Théorie d’approximation et convergence des réseaux de neurones.
Physics-Informed Neural Networks (PINNs).
Questions numériques et HPC.
Finalité
Comprendre les fondements du machine learning appliqué au calcul scientifique.
Analyser les réseaux de neurones comme outils pour le calcul scientifique et évaluer leurs propriétés de convergence et de généralisation.
Formuler et implémenter des modèles contraints par la physique, notamment les Physics-Informed Neural Networks (PINNs).
Identifier les limites théoriques et numériques de ces approches.
Applications à l'étude des équations de la mécanique des structures, des fluides, de l'acoustique, de la thermique.
Compétences visées
Compétences en modélisation numérique de problèmes d'ingénieurs.
Description des modalités d'évaluation
Un examen final en temps limité.
Les TP réalisés en cours d'enseignement peuvent être pris en compte.
Prérequis
Justifier du niveau du Diplôme du Premier Cycle Technique du Cnam
- Nombre d’ECTS
- 6
- Durée en nombre d'heures
- 60.00
- Type de notation
- Notation chiffrée (sur 20)
- Moyenne pour valider l'UE
- 10.00
- Modalité(s) d'évaluation
- Examen final
- Année de création
- 2017
- Date de début de validité
- Date de fin de validité
- Déployabilité
- Offre déployable dans le réseau en cas d'agrément
- Examen national
- Oui
Le certificateur est le Cnam