Série de quatre UE à chaque semestre du master. Elles sont dédiées à la préparation des démarches professionnelles. (L'anglais des S1 S3 et S4 (60h)  est présenté dans un autre espace Moodle).

• S1 - Environnement professionnel 1 - Métiers de la Bioinformatique du M1S1 (10h TD + travail personnel; 1 CE)  présente les domaines et les carrières en bioinformatique, accompagne la recherche du stage de S2 des M1BIMS/M2CCB4 et prépare dans le même temps à l'alternance en M2 BIMS : recherche d'un stage conventionné en alternance (formation initiale) ou d'un contrat d'apprentissage (apprenti).
  
• S2-Environnement professionnel 2 du M1S2 introduit 1/ la veille et communication scientifique écrite (12h TD + travail personnel; 1 CE) 2/ l'ingénierie logicielle avec les bonnes pratiques de développement (10h TD + travail personnel; 1 CE)
  
• S3-Environnement professionnel 3 (20h TD, 1 CE) du M2S3 prépare à 1/ la communication scientifique orale 2/ l'ingénierie logicielle  (10h TD + travail personnel; 1 CE)
  
• S4-Environnement professionnel 4 du M2S4 (20h TD présentiel et personnel; 1 CE) prépare à l'insertion professionnelle post-master (ingénieur ou entrée en doctorat) et accompagne la recherche du stage conventionné post-alternance à l'international.

Descriptif :

Ce module abordera les concepts théoriques et pratiques des réseaux de neurones artificiels profonds. Le cours permettra de comprendre comment les réseaux de neurones sont entraînés en utilisant l'algorithme de descente du gradient et comment cet algorithme est mis en œuvre efficacement en utilisant la différenciation automatique par rétropropagation sur un graphe de tenseurs représentant le réseau neuronal. On étudiera ensuite les différentes architectures de réseaux de neurones telles que les réseaux de neurones à propagation avant, les réseaux de neurones convolutifs, les réseaux de neurones récurrents et les transformateurs. On apprendra aussi à optimiser les performances des réseaux de neurones et à éviter le surapprentissage avec des techniques telles que la régularisation, la normalisation, l'encodage etc.

D'un point de vue pratique, après un apprentissage rapide du langage de programmation Python et sa bibliothèque NumPy, nous aborderons l’implémentation orientée objet des tenseurs et des réseaux neuronaux à partir de zéro, puis leur mise en œuvre à l'aide des bibliothèques TensorFlow/Keras et PyTorch. Des applications concrètes comme la classification d'images, la classification de séquences biologiques, l'analyse des sentiments et la traduction automatique seront entièrement décrites jusqu'aux programmes et leurs applications sur des données réelles.

Les travaux pratiques traiterons de l'implémentation de réseaux neuronaux pour répondre à des problèmes de bioinformatique issues d'articles scientifiques en utilisant le framework TensorFlow/Keras.

Objectifs :

• Comprendre et mettre en œuvre les principes généraux d’un réseau de neurones.
• Comprendre et mettre en œuvre les types d’architectures neuronales et savoir les choisir pour traiter un problème spécifique.
• Savoir entraîner un réseau de neurones, analyser la qualité de ses prédictions et améliorer les performances.
• S’initier aux bibliothèques NumPy, TensorFlow/Keras et PyTorch en Python.
• Résoudre des problèmes de bioinformatique en utilisant l'apprentissage profond.