Deep Learning - Fondamentaux
Formation créée le 18/03/2022. Dernière mise à jour le 16/09/2022.
Version du programme : 1
Programme de la formation
Objectifs de formation : à l’issue de la formation, le stagiaire sera capable d’appréhender les concepts clés du Deep Learning (apprentissage profond) et d’intégrer ces fondamentaux dans la mise en place de réseaux de neurones.
Objectifs de la formation
- Comprendre les concepts de Machine Learning et l’évolution vers le Deep Learning (réseaux de neurones profonds)
- Connaitre les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
- Appréhender les modèles plus avancés : auto-encodeurs, gans, apprentissage par renforcement
- Appréhender les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
- Comprendre les méthodologies de mise en place de réseaux de neurones, les points forts et les limites de ces outils
Profil des bénéficiaires
Pour qui
- Analystes
- Ingénieurs
- Data Scientists
- Data Analysts
- Data Steward
- Développeurs
- Toute personne intéressée par le Deep Learning et les réseaux de neurones
Prérequis
- Avoir des bases en programmation et une bonne maîtrise des outils informatiques et statistiques
- Connaitre les bases du Machine Learning est recommandé
Contenu de la formation
-
Introduction
- Le fantasme de l’intelligence artificielle face aux réalités d’aujourd’hui
- Disparition des algorithmes, nouvelle modélisation des problèmes
- Machine learning : présentation de l’apprentissage
- Approches principales
- Actions principales
- Algorithmes à évolution
- Exemples d’algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree.
-
Principes fondamentaux d'un réseau neuronal
- Bases mathématiques
- Définition du réseau neuronal
- Définition de l’apprentissage
- Modélisation d’un réseau neuronal
- Estimer une distribution par un réseau de neurones
- Data Augmentation
- Généralisation des résultats d'un réseau de neurones
- Initialisations et régularisations d’un réseau de neurones
- Optimisations et algorithmes de convergence
-
Outil de ML & de DL
- Outils de gestion de donnée
- Outils Machine Learning usuel
- Frameworks DL haut niveau
- Frameworks DL bas niveau
-
Convolutional Neural Networks
- Définition, fondements & applications
- Fonctionnement
- Architecture CNN pour la classification d'images
- Modèle d'attention
- Application à une classification usuel
- CNN & génération
- Stratégies d'augmentation des Feature Maps pour la génération d'une image
-
RNN
- Définition, fondements & applications
- Fonctionnement
- Évolutions : GRU & LSTM
- Problèmes de convergence & vanising gradient
- Types d'architecture
- Architecture RNN Encorder Decoder
- Application NLP
- Application vidéo
-
Modèles générationnels : VAE et GAN
- Définition, fondements & applications
- Auto-encoder & Variational AutoEncoder
- Espace latent
- Reparameterization trick
- Generative Adversarial Networks
- Convergence d'un GAN & problématiques
- Convergence améliorée
- Applications
-
Deep Reinforcement Learning
- Reinforcement Learning
- Fonction d'état & réseau neuronal
- Deep Q Learning
- Optimisations de la politique d'apprentissage & On-policy et off-policy
- Actor critic architecture & A3C
- Applications
Équipe pédagogique
Professionnel expert technique et pédagogique.
Suivi de l'exécution et évaluation des résultats
- Feuilles de présence.
- Questions orales ou écrites (QCM).
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
Ressources techniques et pédagogiques
- Espace numérique de travail
- Documents supports de formation projetés
- Exposés théoriques
- Etude de cas concrets
- Quiz en salle
- 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...