Description

• Apprentissage profond
• Modèles auto-attentifs
• Traitement du langage naturel (NLP)
• Grand modèle de langage (LLMs)

Compétences visées

A l’issue des enseignements de cette UE, les étudiants seront capables de:

• Comprendre les fondements théoriques d’un système d’apprentissage profond (réseaux neuronaux)
• Maîtriser les principales techniques utilisées pour l’apprentissage profond
• Comprendre les fondements théoriques du « transformer » (ou modèle auto-attentif)
• Maîtriser les principales techniques pour « topic modeling » et pour d’autres tâches liées au traitement du langage naturel
• Se familiariser avec des applications pratiques dans le contexte des dynamiques économiques et de gestion
• Améliorer leur autonomie de travail sur Python
• Acquérir de l’expérience dans le travail en équipe et la gestion de projets

Disciplines

• Sciences économiques

Contacts

Responsable(s) de l'enseignement

• Stefano Bianchini

MCC

Les épreuves indiquées respectent et appliquent le règlement de votre formation, disponible dans l'onglet Documents de la description de la formation.

Régime d'évaluation

ECI (Évaluation continue intégrale)

Coefficient

6.0