Formation Deep Learning avec Python et frameworks Open Source – Centre de formation M2i
M2i Formation

Découvrez notre formationDeep Learning avec Python et frameworks Open Source

Présentiel

5 jours (35 heures) - IA-DEEP

Accueil  ›  Formations Informatique  ›  Intelligence Artificielle (IA)  ›  Analyse de données avec Machine Learning et Deep Learning  ›  Deep Learning avec Python et frameworks Open Source

Objectifs pédagogiques

  • Comprendre les composants d'un réseau de neurones profond (DNN : Deep Neural Network) et comment ils fonctionnent ensemble
  • Comprendre et mettre en place un DNN (MLP : Multi Layer Perceptron, CNN : Convolutional Neural Net, RNN : Recurrent Neural Network, LSTM : Long Short-Term Memory).

Niveau requis

Connaître les bases du langage Python.

Public concerné

Développeurs, datascientists.

Paris La Défense09/03/20204 500 € HTInscriptions en cours, places disponiblesRéserver
Paris La Défense08/06/20204 500 € HTDates proposées dans les agences M2iRéserver
Paris La Défense12/10/20204 500 € HTDates proposées dans les agences M2iRéserver
Paris La Défense07/12/20204 500 € HTDates proposées dans les agences M2iRéserver

Sessions
planifiées
Sessions
ouvertes
Sessions
confirmées
Réserver
le stage

Introduction au Deep Learning

  • Définition
  • Vocabulaire
  • Process pour entraîner un modèle
  • Atelier : Préparation de l'environnement

Classification multiple

  • Prise en main du jeu de données
  • Problème dans la classification d'images
  • Logistic et Softmax Regression
  • Loss Function
  • "Learners"
  • Atelier : Charger, lire les données, créer le modèle et prédire une nouvelle donnée

Multi Layer Perceptron (MLP)

  • Deep Networks
  • Fonctions d'activation
    • Sigmoïde
    • Autres
  • Atelier : Création d'un modèle MLP

Convolution Neural Network (CNN)

  • Cas d'usages
  • Convolutions avec des images
  • "Padding" et "Pooling"
  • Utilisation de Microsoft Cognitive Toolkit (CNTK)
  • Atelier : Création d'un modèle CNN

Recurrent Neural Network et Long Short-Term Memory (RNN et LSTM)

  • Comprendre les séquences
  • "Forecasting"
  • Prendre en compte un historique
  • "Vanishing Gradients"
  • LSTM
  • Utilisation de NCTK
  • Atelier : Entraîner et évaluer un modèle RNN

Classification de texte avec RNN et LSTM

  • Séquence "many to many" et séquence "tagging"
  • Incorporation
  • Atelier : Entraîner et évaluer un modèle pour classifier du texte

Complétez votre formation