Deep Learning - Avancé

Formation créée le 16/01/2023. Dernière mise à jour le 16/03/2023.
Version du programme : 1

Type de formation

Formation à distance

Durée de formation

28 heures (4 jours)

Deep Learning - Avancé


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...