Deep Learning - Avancé
Formation créée le 16/01/2023. Dernière mise à jour le 16/03/2023.
Version du programme : 1
Programme de la formation
Objectif de formation : Manipuler les outils de deep learning les plus courants pour créer et entrainer divers types de réseaux de neurones profonds sur différents types types de données
Objectifs de la formation
- Appréhender l'évolution des réseaux de neurones et les raisons du succès du Deep Learning
- Manipulation des bibliothèques de Deep Learning les plus répandues
- Maîtriser les notions de création, les outils de diagnostic et les effets des divers verrous et leviers
- Obtenir de l'expérience pratique sur différents problèmes concrets
Profil des bénéficiaires
Pour qui
- Ingénieurs
- Chefs de projet IA
- Consultants IA
Prérequis
- Connaissances solides en statistiques
- Compétences en Machine Learning
- Expérience pratique sur Deep Learning
Contenu de la formation
-
Introduction
- Conception d'un graphe & exécution au sein d'une session
- Cycle de vie de la valeur d’un nœud
- Manipulation des matrices
- Régression linéaire
- Descente de gradient
- Fourniture des données à l’algorithme d’entraînement
- Enregistrement et restauration des modèles
- Visualisation du graphe & courbes d’apprentissage
- Travaux pratiques : cas concrets de ML en classification & régression
-
Introduction aux réseaux de neurones artificiels
- Entrainement d'un PMC avec une API TensorFlow de haut niveau
- Entrainement d'un PMC à l'aide de TensorFlow
- Configuration précise des hyperparamètres d’un réseau de neurones
-
Entraînement de réseaux de neurones profonds
- Difficultés de disparition & d’explosion des gradients
- Réutilisation des couches pré-entraînées
- Optimiseurs plus rapides
- Sur-ajustement grâce à la régularisation
- Recommandations pratiques
- Travaux pratiques : implémentation d'un réseau de neurones à la manière du framework TensorFlow
-
Réseaux de neurones convolutifs
- Architecture du cortex visuel
- Couche de convolution
- Couche de pooling
- Architectures de CNN
- Travaux pratiques : implémentation des CNN en utilisant des jeux de données variés.
-
Présentation de l'outil Keras : Deep Learning
- Régression logistique
- Perceptron
- Réseaux de neurones convolutifs
- Travaux pratiques : implémentation de Keras en utilisant des jeux de données variés
-
Réseaux de neurones récurrents
- Neurones récurrents
- RNR de base avec TensorFlow
- Entrainement des RNR
- RNR profonds
- Cellule LSTM
- Cellule GRU
- Traitement automatique du langage naturel
- Travaux pratiques : implémentation des RNN en utilisant des jeux de données variés
-
Autoencodeurs
- Représentations efficaces des données
- ACP avec un autoencodeur linéaire sous-complet
- Autoencodeurs empilés
- Pré-entraînement non supervisé.
- Autoencodeurs débruiteurs.
- Autoencodeurs épars
- Autoencodeurs variationnels
- Autres autoencodeurs
- Travaux pratiques : Implémentation d'autoencodeurs en utilisant des jeux de données variés
Équipe pédagogique
Professionnel expert technique et pédagogique
Suivi de l'exécution et évaluation des résultats
- Émargement numérique
- Mises en situation
- Formulaires d’évaluation de la formation
- Certificat de réalisation de l’action de formation
Ressources techniques et pédagogiques
- Espace intranet de formation
- Documents supports de formation projetés
- Exposés théoriques
- Étude de cas concrets
- Mise à disposition en ligne de documents supports à la suite de la formation
Qualité et satisfaction
Taux de satisfaction des apprenants, nombre d'apprenants, taux et causes des abandons, taux de retour des enquêtes, taux d'interruption en cours de prestation...