Le DEEP Learning et l’apprentissage par renforcement sont les formes d’apprentissage les plus prometteuses du moment. Leur application aux systèmes et services d’observation de la terre permet d’imaginer de nouvelles fonctionnalités, plus performantes et donc de nouvelles applications : traitement automatique des données, réactivité dans a prise de décision, fusion des informations…
Appliquer un algorithme de machine learning sur des bases de données d’imagerie de la Terre (par exemple) fait apparaitre plusieurs challenges : taille de la base de données, choix des prétraitements, incertitude et bruits sur les données, apprentissage avec peu d’exemples robustesse de la décision…
Cette formation permet d’y voir plus clair sur l’étendue de ce qui marche ou non aujourd’hui ainsi que le potentiel d’application et de nouveaux services.Le DEEP Learning et l’apprentissage par renforcement sont les formes d’apprentissage les plus prometteuses du moment. Leur application aux systèmes et services d’observation de la terre permet d’imaginer de nouvelles fonctionnalités, plus performantes et donc de nouvelles applications : traitement automatique des données, réactivité dans a prise de décision, fusion des informations…
Appliquer un algorithme de machine learning sur des bases de données d’imagerie de la Terre (par exemple) fait apparaitre plusieurs challenges : taille de la base de données, choix des prétraitements, incertitude et bruits sur les données, apprentissage avec peu d’exemples robustesse de la décision…
Cette formation permet d’y voir plus clair sur l’étendue de ce qui marche ou non aujourd’hui ainsi que le potentiel d’application et de nouveaux services.

Objectifs

À l’issue de la formation, le stagiaire sera capable de :

  • Comprendre les caractéristiques des systèmes et services d’observation de la Terre
  • Comprendre les spécificités et enjeux de l’apprentissage en imagerie spatiale
  • Connaitre les principales bases de données spatiales et les conditions d’accès
  • Adapter les prétraitements aux données
  • Estimer les besoins en bases de données (taille, qualité)
  • Savoir adapter les algorithmes ML aux bases de données disponibles
  • Savoir mettre en œuvre sur des exemples concrets

Pré-requis

  • Bases mathématiques et algorithmiques niveau ingénieur
  • Connaissances pratiques du ML
  • Python- Bases mathématiques et algorithmiques niveau ingénieur
  • Connaissances pratiques du ML
  • Python

Programme

  • Principes du Machine Learning (DEEP/RL)
  • Caractéristiques des systèmes et services d’observation spatiaux
  • Spécificités de l’imagerie spatiale, revue des systèmes d’acquisition et prétraitements
  • Différents types de données (optique, radar)
  • Quelques bases de données d’images et de vérité terrain
  • Mise en œuvre d’algorithmes et exemples d’application- Principes du Machine Learning (DEEP/RL)
  • Caractéristiques des systèmes et services d’observation spatiaux
  • Spécificités de l’imagerie spatiale, revue des systèmes d’acquisition et prétraitements
  • Différents types de données (optique, radar)
  • Quelques bases de données d’images et de vérité terrain
  • Mise en œuvre d’algorithmes et exemples d’application

Compétences

Observation de la Terre
Apprentissage en imagerie spatiale Observation de la Terre
Apprentissage en imagerie spatiale

Inscription

celine.tevino@irt-saintexupery.com

Niveau
Cycle
Langue

Français ou anglais

Lieu

B 612

Durée et dates
  • Durée :  3 jours (21h)
  • A la demande
Tarif

1800 € HT , Remise 20% partenaires ANITI

Modalités

Présentiel

Publics

Ingénieurs

Intervenants

Grégory Flandin, ingénieur de recherche à l’IRT Saint Exupéry

Contact

celine.tevino@irt-saintexupery.com

Categories:

Call for ANITI 2.0 chairs

X
fr_FRFrench