Objectifs pédagogiques / Compétences visées
- Identifier les composants d'un réseau de neurones profond (DNN : Deep Neural Network) et décrire comment ils fonctionnent ensemble
- Reconnaître 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.
Programme
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
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation ou une certification (M2i ou éditeur)