SYS862H - Apprentissage profond : fondements et applications à la mécanique computationnelle

Le cours introduira les concepts de base de l’apprentissage profond (Deep Learning), mettant l’accent sur les fondements mathématiques, probabilistes et statistiques essentiels. Les étudiants auront l'occasion de mettre en pratique ces concepts à l'aide d'outils informatiques pour une application concrète dans le domaine de la mécanique computationnelle. Nous explorerons des modèles d'apprentissage supervisé et non supervisé, en abordant des concepts clés tels que l’estimation du maximum de vraisemblance, la régularisation et l’optimisation basée sur le gradient. Nous introduirons les réseaux neuronaux profonds (Deep Neural Networks) pour la classification et la régression ainsi que les réseaux neuronaux convolutifs profonds. Nous aborderons également des techniques de compression des données pour la réduction de la dimensionalité via l'algorithme de décomposition orthogonale propre et les réseaux d’encodeurs-décodeurs profonds. Des algorithmes de réseaux neuronaux récurrents pour la modélisation de données séquentielles seront également explorés. Des applications à des problèmes de mécanique dépendant de l’espace, du temps et de paramètres physiques seront montrées. Enfin, nous introduirons les réseaux neuronaux informés par la physique (PINNs) et les réseaux d’opérateurs profonds (DeepOnets). La librairie PyTorch sera utilisée dans le cours. Des laboratoires et des projets pratiques seront réalisés tout au long de la session, offrant aux étudiants une compréhension approfondie et des applications tangibles des concepts et des algorithmes enseignés.

La maîtrise préalable du langage Python est requise pour s’inscrire au cours.