Acquis d'apprentissage

Appliquer les outils de Data Science à des situations rencontrées en physique.

Objectifs

Parmi les nombreuses classes de situations auxquelles s'appliquent les Data Sciences, nous verrons quelques exemples rencontrés en physique. Outre la mise en œuvre des outils développés dans d'autres cours, le cours développera différentes méthodes théoriques utiles à l’analyse, la représentation ou la classification de données en physique.

Contenu

Le cours se basera sur une ou plusieurs situations rencontrées en physique dont la résolution ou l'analyse nécessite l’utilisation de méthodes de type « Data Science ».  A titre d'illustration, le site public Kaggle.com fournit une grande variété de datasets associés à des challenges liés à des problèmes de physique (par exemple, la détection d'ondes gravitationnelles). Des données issues d'expériences menées à l'UNamur pourront aussi être traitées.
 
Les contenus théoriques et méthodologiques nécessaires, comme par exemple les réseaux neuronaux et le 'deep learning', seront enseignés. Les bases nécessaires au travail en Python et à l’utilisation de librairies telles que Numpy, Matplotlib, TensorFlow et Keras seront présentées. 
 
Un ou plusieurs séminaires sur d'autres aspects de l'utilisation des 'data sciences' en physique seront proposés.
 
L'étudiant devra résoudre pratiquement le challenge proposé.

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. Régression logistique

  5. Réseaux de neurones I
    Deep Neural Networks (DNN) : théorie & implémentation avec Keras
    Exercice sur les fonctions logiques
    DNN on MNIST

  6. 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

  7. Convolutional Neural Networks
    CNN on MNIST
    CNN with visualization of features

  8. Pretrained Convolutional Neural Networks
    VGG16 on MNIST
    VGG16 with visualization of features
    Neural Style Transfer
    Deep Dreaming with Inception

  9. PCA, t-SNE, AutoEncoders & Variational AutoEncoders
    PCA, t-SNE, AutoEncoders on MNIST
    Variational AutoEncoders on MNIST
    Variational AutoEncoders & Art

  10. Thèmes avancés

Méthodes d'enseignement

Les cours ex-cathedra seront complétés par l'utilisation de ressources en ligne et par les séminaires des intervenants invités. Les étudiants seront suivis individuellement pour la résolution pratique des challenges.

Méthode d'évaluation

Un examen écrit portera sur l'évaluation des concepts théoriques vus au cours (8 points). L’étudiant devra montrer via un travail écrit qu’il est parvenu à appliquer les méthodes enseignées au cours (essentiellement les réseaux de neuronnes convolutifs avec des méthodes appropriées de regularisation) à un dataset de son choix (8 points). Le travail de l'année pour les travaux pratiques compte pour 4 points.

Langue d'enseignement

Français
Formation Programme d’études Bloc Crédits Obligatoire
Master 120 en sciences physiques Finalité spécialisée en physique et data 1 3 Oui