Objectifs
Comprendre les concepts du Deep Learning : Réseaux de neurones, fonctions d’activation, couches cachées, techniques d’optimisation, etc.
Maîtriser les différentes architectures de Deep Learning : Réseaux de neurones à propagation avant (MLP), réseaux de neurones récurrents (RNN), réseaux de neurones convolutifs (CNN).
Appliquer le Deep Learning à des problèmes réels : Classification d’images, prédiction de séquences, génération de texte, etc.
Maîtriser les bibliothèques de Deep Learning : TensorFlow, PyTorch et Keras.
Optimiser les performances des modèles : Réglage des hyperparamètres, transfert d’apprentissage, augmentation des données.
Déployer des modèles de Deep Learning : Intégration dans des pipelines de traitement de données et déploiement en production.
Suivre les avancées récentes du Deep Learning : Apprentissage par renforcement, GAN, etc.
Réaliser des projets pratiques : Expérimenter et appliquer les concepts abordés à des cas réels.
.
Durée
2 jours / 14 heures
Programme
Jour 1
Module 1 : Principes de base de l’apprentissage automatique
- Introduction à l’apprentissage automatique et ses applications.
- Régression logistique et classification avec Multi-Layer Perceptron (MLP).
- Ingénierie des caractéristiques et réglage des hyperparamètres.
Module 2 : Réseaux de neurones profonds
- Introduction aux réseaux de neurones profonds.
- Architecture et fonctionnement des réseaux de neurones à propagation avant.
- Implémentation avec TensorFlow, Keras et PyTorch.
- Entraînement et évaluation des modèles.
Module 3 : Réseaux de neurones convolutifs (CNN)
- Introduction aux CNN et leurs applications.
- Structure et couches des CNN.
- Classification et reconnaissance d’images.
- Détection d’objets et segmentation d’images.
Jour 2
Module 4 : Réseaux de neurones récurrents (RNN)
- Introduction aux RNN et rétropropagation à travers le temps.
- Utilisation des RNN pour la prédiction de séquences et la traduction automatique.
- Exploration des architectures avancées : LSTM et GRU.
Module 5 : Autoencodeurs et apprentissage non supervisé
- Introduction aux autoencodeurs et à la représentation latente.
- Compression de données et génération d’images avec autoencodeurs.
Module 6 : Bibliothèques de Deep Learning
- Présentation des bibliothèques : Keras, TensorFlow et PyTorch.
- Comparaison des fonctionnalités et avantages.
- Mise en pratique : implémentation et entraînement de modèles.
Projets et mise en pratique
Travaux pratiques intégrant l’ensemble des modules.
Présentation des projets et discussion.
Retour d’expérience et conclusion de la formation.
Modalités d’évaluation et validation des acquis
En début :
- Test de positionnement de connaissance
Pendant l'action de la formation
- QCM théorique et évaluation de la pratique sur modèle (présentiel)
- QCM de validation des acquis a chaque fin de module (distanciel)
À la fin de la formation
- *Test, exercices pratiques et évaluation de la pratique sur modèle
En fin de formation
- Une attestation de fin de formation est remise à chaque participant
- A l’issue de votre formation, votre formatrice restera à vos côtés pendant une période de 6 mois
Livrables remis aux stagiaires :
- Une attestation de présence
- Une attestation de réussite
- Un support de formation (manuel)
- Matériel de pratique (kit de formation)
