Machine Learning - Deep Learning pour l'analyse d'images

• Stage
•   Actions régionales
•   Techniques spécifiques

Objectifs

Machine Learning et Deep Learning pour l’analyse d’images : outils et logiciels avec GUI et framework Deep Learning en Python

Pré-requis

Minimum : bases de programmation acquises dans la session 3

Programme

Jour 1 : Machine Learing (C. Matthews & F. Brau)

Introduction au Machine Learning et Deep Learning pour l’analyse d’images et la segmentation : classification de pixels / classification d’objets
Cours sur le machine learning
Les logiciels disponibles en ML et cas d’usage : Weka, Ilastik, Orbit, QPath
Passerelles entre logiciels et avec OMERO
Les logiciels disponibles en DL et cas d’usage : DeepImageJ, starDist, Cellpose…

Jour 2 : Deep Learning (F. Daian)

* Deep Learning : apprentissage supervisé, réseaux de neurones, modèles, architectures avancées (réseaux convolutifs et génératifs)

Utilisation pratique du DL en classification / segmentation : limites, avantages, inconvénients, précautions
Outils utilisés et cas d’usage :TensorFlow playground, classification et segmentation sur Jupyter, Notebooks sur Google Collab, TensorFlow Keras sous Python
Réseaux convolutifs et UNet pour segmentation