La formation Deep Learning permet d’obtenir une compréhension approfondie des principes essentiels de l’intelligence artificielle et des réseaux de neurones.Elle vise ceux qui désirent concevoir, former et utiliser des modèles efficaces pour aborder des problèmes concrets. En adoptant une démarche progressive et axée sur la pratique, les participants acquièrent les aptitudes requises pour examiner des données complexes, améliorer les performances des modèles et préparer leur mise en production dans des environnements professionnels.
- Data Scientists
- Machine Learning Engineers
- Développeurs avec une première expérience en Machine Learning
- Profils techniques intéressés par l’intelligence artificielle
- Bases en programmation (Python, Java, C# ou équivalent)
- Aisance avec les notions de statistiques
- Connaissances de base en Machine Learning
- Compréhension générale des concepts algorithmiques
- Acquérir une maîtrise des concepts fondamentaux du Deep Learning et comprendre leur provenance.
- Reconnaître les types principaux de réseaux neuronaux (simples, convolutifs, récurrents, etc.)
- Êtes-vous conscient du moment où les utiliser ?
- Comprendre les modèles de Deep Learning plus sophistiqués (auto-encodeurs, GANs, apprentissage par renforcement, etc.)
- Comprendre les fondements théoriques et pratiques de l’architecture et de l’intégration des réseaux de neurones.
- Saisir ce qu’implique réellement la mise en pratique des réseaux de neurones.
- Faire appel à un cadre de référence : Keras, intégré à TensorFlow
Programme de la formation
Deep Learning : concevez et déployez des modèles d’IA
Maîtriser les architectures clés des réseaux de neurones par la pratique
Contenu
- Introduction au Deep Learning
- Relation entre Machine Learning et Deep Learning
- Champs d’application et cas d’utilisation
- Principes fondamentaux du Machine Learning
- Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, Caffe, etc
- Découverte de TensorFlow
- Installation de TensorFlow et son éco système, présentation des tensors (tableaux multidimensionnels), des variables et placeholders, présentation des graphes et sessions TensorFlow
- Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets…
- Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes d’apprentissage avec TensorBoard.
- Les réseaux neuronaux artificiels ou ANN (Deep Learning)
- Présentation du fonctionnement du perceptron à une couche et du perceptron multicouche, configuration et paramétrage d’un réseau de neurones
- Approche logicielle du développement d’un réseau de neurones : activation, désactivation
- Conception d’un réseau de neurones en fonction du problème à résoudre
- Entraînement d’un réseau de neurones
- Présentation des méthode d’apprentissage : fonction de coût, descente de gradient et rétro-propagation
- Importance de la métrologie : choix des paramètres
- Présentation de techniques de Data Augmentation et de l’écueil du sur apprentissage par régularisation
- Réseaux de neurones convolutifs ou CNN
- Présentation des principes de fonctionnement et définition de filtres convolutifs
- Développement d’une couche de convolution, d’une couche de pooling
- Approche logicielle du développement d’un réseau de neurones convolutifs
- Réseaux de neurones récurrents ou RNN
- Présentation des principes de fonctionnement et importance de la disparition du gradient
- Approche logicielle du développement d’un réseau de neurones récurrents
- Présentation d’une Cellule Long Short-Term Memory (LSTM) et de sa version simplifiée la cellule GRU
- Applications des réseaux récurrents aux séries temporelles
- Principes fondamentaux du NLP ou Natural Language Processing
- Analyse avancée d’images par les réseaux de neurones convolutifs
- Reconnaissance et détection d’objets
- Découverte des modèles de l’état de l’art
- Principes de fonctionnement, limites et mise en oeuvre
- Aller plus loin et analyser des flux vidéos, découvertes d’outils spécialisés et pistes de réflexion
- L’exemple de l’outil YOLO
- Introduction aux auto-encodeurs
- Principes fondamentaux des auto-encodeurs
- Réduction de dimension grâce aux auto-encodeurs
- Introduction et découverte des réseaux de génération d’images : Variational Auto-Encoders (VAE)
- Présentation de l’API avancée de Keras (functional API) autoencoder
- Apprentissage par renforcement (Deep Learning)
- Définir le principe de notation et d’optimisation par objectif
- Présentation de la toolkit Gym pour la programmation par renforcement
- Principe de la prise de décision par critère de Markov
- Principes fondamentaux de l’apprentissage par différence (temporelle, etc)
- Mise en perspective, comparaison et ré-utilisation des réseaux de l’état de l’art
- Découverte des réseaux les plus performants
- Comprendre ce qui les distingue les uns des autres (points forts et limites de chacun)
- Ré-utiliser, tout ou partie, de réseaux pré-entrainés sur des millions d’images
- Principes et fonctionnement du transfert learning
- Performance et mise en production
- Exécution sur CPUs, GPUs à l’aide des notebook Jupyter
- Librairies de sérialisation et introduction à TensorServing pour la mise en production
À l’issue de cette formation Deep Learning avec Python, vous serez capable de créer et mettre en œuvre des modèles d’intelligence artificielle dans des cas concrets,alliant théorie et application pratique. Vous aurez l’opportunité de mettre en œuvre vos compétences sur des projets concrets et de continuer à développer votre expertise. Pour découvrir d’autres cursus en Machine Learning, Data Science, Big Data, IoT et IA, veuillez consulter notre section spécialisée.
