University of Pisa Summer - Winter Schools & Foundation Course

Réseaux de neurones de l'école d'été pour archéologues, avec Python

L'archéologie traite de l'étude du passé humain, menée à travers les vestiges matériels, c'est-à-dire les objets fabriqués, utilisés et jetés dans l'Antiquité. L'une des tâches les plus importantes consiste à classer les objets, en déterminant la chronologie, l'attribution culturelle, la forme, la fonction et d'autres caractéristiques. Les réseaux de neurones et l’apprentissage profond sont des outils puissants pour soutenir et faciliter de telles tâches, qui prennent souvent du temps et dépendent fortement des connaissances et de l’expertise préalables.

Cette Summer School illustre l'utilisation des réseaux de neurones pour analyser et classer des données multimodales, telles que des images, des tableaux, des textes. Il est mené, avec une approche pratique, via Python, l'un des principaux langages de programmation de l'IA et de la science des données, comprenant une grande variété d'outils d'apprentissage profond et d'architectures de réseau. Afin de mener et de soutenir efficacement l'analyse et la classification des données provenant de tableaux, d'images et de textes, les archéologues modernes doivent être capables de gérer des concepts et des outils liés aux nouvelles technologies. De telles compétences ne sont pas présentes dans une formation classique en archéologie, bien qu'elles soient fondamentales même pour interagir efficacement avec des experts en TIC.

L'école d'été durera 60 heures et aura lieu du 17 au 28 juin 2024, au Département des civilisations et des formes de connaissances de l'Université de Pise, en Italie.

Bibliographie : Stevens E., Antoga L., Viehmann T., Deep Learning avec Pytorch, Manning (2020).

Le programme sera également activé en mode d'apprentissage à distance (plateforme TEAMS).

Objectif

La Summer School permettra aux participants d'explorer et de visualiser des données avec Python, de mettre en place et d'entraîner des réseaux de neurones à partir de zéro et/ou en modifiant des réseaux pré-entraînés (apprentissage par transfert), afin d'effectuer des tâches de classification basées sur des images et/ou des textes. Il s’articule autour d’un nouveau paradigme, qui prend en compte les archéologues en tant que producteurs et utilisateurs de données archéologiques numériques.