L’objectif de ce cours est de présenter et de discuter les réseaux de neurones artificiels et leurs applications à l’étude de la cognition. Le cours vise à exposer les avancées les plus récentes de l’apprentissage automatique et leur usage pour comprendre notre cognition, tout en soulignant les limites des techniques actuelles lorsqu’on les considère comme des modèles du cerveau. Une première partie présentera les bases fondamentales, l’histoire et le développement de ces techniques. Après une présentation du perceptron, de la descente de gradient et de l’algorithme de rétropropagation, le cours abordera les principales méthodes et architectures neuronales contemporaines, en particulier les réseaux convolutifs, les réseaux récurrents (tels que les LSTM) et les Transformers, ces réseaux modernes fondés sur une notion d’attention, utilisés dans les grands modèles de langage comme ChatGPT. Dans une deuxième partie, des intervenantes et intervenants invités présenteront l’usage qu’ils font de ces modèles dans leurs recherches en sciences cognitives. Une attention particulière sera portée à la comparaison entre les motifs d’activation des systèmes neuronaux artificiels et biologiques. Une séance sera consacrée à l’implémentation d’un algorithme d’apprentissage. La dernière partie sera consacrée aux présentations des étudiantes et étudiants, qui font partie intégrante du cours.
À noter : ce cours ne se substitue pas à un cours avancé d’apprentissage profond ou, plus largement, d’apprentissage automatique. Il n’aborde pas les questions d’inférence statistique.
Niveau recommandé : biologie, sciences cognitives : M2 ; mathématiques, physique, informatique : M1 ou au-delà. Le cours présente également un intérêt pour celles et ceux qui préparent un doctorat ou un postdoctorat en sciences cognitives ou en neurosciences computationnelles.
Page du cours : https://l-bg.github.io/dlcs/