Évaluation de l'incertitude épistémique en apprentissage profond**

在航空文明中，产品的发展和宏伟的信任赋予了系统安全的权利，而S和其他国家的航空公司则在同一时期内完成了这项工作。模拟系统的数目正在讨论中，这是一种可能的风险评估过程。L的观察和系统分析表明，现代智能技术的先进性和先进性，是现代智能的有效维护手段。Ceci一直致力于发展和融洽的关系，包括现代化的分类、现代化的解释和现代化的体格。L的现代发展效率不亚于L的智能人工智能S的新思维，尤其是L的不确定性。CE PROJET DE REARCHE VISVE A EXPORTOR MODELLISER MODELISER更正L的不确定和不确定的神经元，以及量词LE NIOVOU DO CONFEANCEàACCONTORATION ANS PRRDISDIONS。此外，还特别提出了一个问题，即联合国干部管理干部L对神经元病的不确定性，以及对L的情报资料的利用。

En aviation civile, le développement de produits exige une grande confiance envers le comportement des systèmes embarqués sur les aéronefs, ce qui exige fréquemment la collecte de grandes quantités de données d'essais en vol. Par des simulations numériques des systèmes en question, il est possible d'accélérer et réduire le risque de ce processus d'évaluation. Les récentes avancées en intelligence artificielle permettent maintenant d'entraîner rapidement des modèles pertinents par l'observation des systèmes. Ceci permet de réduire de façon importante le temps de développement par rapport à la réalisation d'un modèle classique, lesquels nécessite généralement la modélisation explicite et détaillée des phénomènes physique aux moyens d'équations différentielles. L'efficacité du développement des modèles par l'intelligence artificielle s'accompagne également de nouveaux défis, en particulier la quantification de l'incertitude du modèle appris. Ce projet de recherche vise à explorer comment modéliser correctement l'incertitude d'un modèle appris par un réseau de neurones profond, afin de quantifier le niveau de confiance à accorder à ses prédictions. Plus particulièrement, il sera question de développer un cadre méthodologique Bayésien permettant d'estimer l'incertitude épistémique d'un réseaux de neurones profond, et ainsi garantir une utilisation sécuritaire de l'intelligence artificielle pour l'entraînement de modèles.