fff

Combien de stagiaires suivront cette formation ?


Valider Annuler

Accueil    Formations    Informatique    Intelligence Artificielle (IA)    Analyse de données avec Machine Learning et Deep Learning    Deep Learning - Les fondamentaux

Partager cette formation Télécharger au format pdf Ajouter à mes favoris

Objectifs pédagogiques / Compétences visées

Cette formation vous permettra de développer les compétences suivantes :

  • Décrire les concepts de Machine Learning et l'évolution vers le Deep Learning (réseaux de neurones profonds)
  • Identifier les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
  • Définir les modèles plus avancés : auto-encodeurs, GAN (Generative Adversarial Network), apprentissage par renforcement
  • Utiliser les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
  • Appliquer les méthodologies de mise en place de réseaux de neurones, les points forts et les limites de ces outils.

Niveau requis

Avoir des bases en programmation et une bonne maîtrise des outils informatiques et statistiques. Connaître les bases du Machine Learning est recommandé.

Public concerné

Ingénieurs, analystes, Data Scientists, Data Analysts, Data Stewards, développeurs ainsi que toute personne intéressée par le Deep Learning et les réseaux de neurones.

Programme

Introduction au Deep Learning

  • Définition et vocabulaire
  • Process pour entraîner un modèle

Exemple de travaux pratiques (à titre indicatif)

  • Préparation de l'environnement

Fonctionnement d'un réseau de neurones

  • Rappel de bases mathématiques
  • Le réseau de neurones
    • Architecture, fonctions d'activation et de pondération des activations précédentes...
  • L'apprentissage d'un réseau de neurones
    • Fonctions de coût, backpropagation, Stochastic gradient descent...
  • Modélisation d'un réseau de neurones
    • Modélisation des données d'entrée et de sortie selon le type de problème
  • Appréhender une fonction et une distribution par un réseau de neurones
  • Data Augmentation
    • Comment équilibrer un dataset ?
  • Généralisation des résultats d'un réseau de neurones
  • Initialisations et régularisations d'un réseau de neurones
    • L1 / L2 Regularization, Batch normalization
  • Optimisations et algorithmes de convergence

Gestion d'un projet de Deep Learning

  • Choix des architectures existantes
  • Gestion du biais-variance
  • Problématique du surapprentissage
  • Accélérer l'apprentissage

Deep Learning : pour quels cas ?

  • Les limites du Machine Learning classique
  • Quand le Deep Learning devient pertinent ?
  • Quand faut-il éviter d'avoir recours au Deep Learning ?

Outils de développement du Deep Learning

  • Frameworks haut niveau
    • PyTorch, Keras, Lasagne
  • Frameworks bas niveau
    • Theano, Torch, Caffe, TensorFlow

Exemples de travaux pratiques (à titre indicatif)

  • Applications et limites des outils présentés

CNN (Convolutional Neural Network)

  • Présentation des CNN
    • Principes fondamentaux et applications
  • Les différents types de convolution
    • Stride, Padding, 3D
  • Les couches convolutives et les couches de pooling
  • Apprentissage : la rétropropagation convolutive

Exemple de travaux pratiques (à titre indicatif)

  • Utilisation de CNN dans le cadre du traitement de l'image

RNN (Recurrent Neural Network)

  • Présentation des RNN
    • Principes fondamentaux et applications
  • Les différentes cellules neuronales
    • GRU et LSTM
  • Apprentissage : la rétropropagation dans le temps

Exemples de travaux pratiques (à titre indicatif)

  • Entraîner et évaluer un modèle pour classifier du texte

Deep RL (Deep Reinforcement Learning)

  • Les auto-encodeurs
  • Représentation sémantique des mots
  • Interpolation et extrapolation

Exemples de travaux pratiques (à titre indicatif)

  • Deepfake, falsification et anonymisation

Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.

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)

Partager cette formation Télécharger au format pdf Ajouter à mes favoris

Vous souhaitez suivre cette formation ?

Cette formation est disponible en présentiel ou en classe à distance, avec un programme et une qualité pédagogique identiques.

Choisissez la modalité souhaitée pour vous inscrire :

Formation disponible en intra-entreprise

Votre société a besoin d'une offre personnalisée ? Contactez-nous

Faites-nous part de votre projet de formation, nous sommes là pour vous guider.

Contactez-nous