Cette formation introduit les concepts fondamentaux des approches d'apprentissage automatiques dites "Deep Learning" (DL). Le cours fera une révision des bases mathématiques des réseaux des neurones et leur entraînement (e.g. Multi-layer Perceptron, descente de gradient stochastique, l'algorithme de back propagation), ainsi que les méthodes et techniques plus utilisés (e.g. régularisations,  fonctions activations, fonctions de coût, opérations, paradigmes d'apprentissage et topologies). Le cours présentera également quelques outils disponibles pour faciliter l'implantation et utilisation des réseaux des neurones (e.g. TensorFlow ou PyTorch) et centrera les travaux pratiques sur certains aspectes d’usage et applications du DL (e.g. transfert d'apprentissage, apprentissage non-supervisé, interprétation, exemples adversaires ou l’apprentissage sur des séquences).