Intelligence artificielle - Deep Learning par la pratique (4-024)
Lot 4 - Gestion et analyse des données - Intelligence Artificielle - Référence 4-024
Formation créée le 09/12/2024. Dernière mise à jour le 16/03/2026.Version du programme : 1
Type de formation
PrésentielDurée de formation
18 heures (3 jours)Intelligence artificielle - Deep Learning par la pratique (4-024)
Lot 4 - Gestion et analyse des données - Intelligence Artificielle - Référence 4-024
Objectif général de la formation : Fournir une expertise pratique dans l’utilisation des techniques de Deep Learning pour résoudre des problèmes réels tout en abordant les concepts clés et les verrous techniques. Modalité : Toutes les modalités (présentiel, classe virtuelle et hybride) sont possibles Lieu possible de réalisation : Locaux du bénéficiaire ou locaux d’Ascent Formation, en France métropolitaine et dans les DROM-COM Nombre maximal de participants : 20 Niveau SAME visé : Application (A) Compétences visées : Identifier les évolutions et les raisons du succès du Deep Learning. Maîtriser l’utilisation des bibliothèques TensorFlow, PyTorch, et Keras. Comprendre et résoudre les contraintes liées à la conception et à l’entraînement des modèles. Appliquer les concepts de Deep Learning à des cas concrets issus de différents secteurs.
Objectifs de la formation
- Comprendre l’évolution des réseaux de neurones et les raisons du succès actuel du Deep Learning
- Utiliser les bibliothèques de Deep Learning les plus populaires.
- Comprendre les principes de conception, les outils de diagnostic et les effets des différents verrous et leviers.
- Acquérir de l’expérience pratique sur plusieurs problèmes réels.
Profil des bénéficiaires
- Data scientists et ingénieurs en IA.
- Professionnels souhaitant intégrer le Deep Learning dans leurs activités.
- Toute personne ayant un intérêt pour l'application pratique des réseaux de neurones.
- Connaissances en programmation Python.
- Bases en Machine Learning et manipulation des données.
Contenu de la formation
Jour 1 : Introduction et exploration des bibliothèques (6 heures)
- Introduction aux réseaux de neurones et au Deep Learning (2 heures) Évolution des réseaux de neurones : historique et avancées. Présentation des raisons du succès actuel du Deep Learning. Études de cas : Applications majeures dans l’industrie.
- Présentation des bibliothèques de Deep Learning (2 heures) Introduction à TensorFlow, PyTorch et Keras. Comparaison des fonctionnalités et cas d’utilisation. Démonstrations : Mise en place d’un environnement d’entraînement
- Premiers pas avec les modèles de base (2 heures) Création et entraînement de modèles simples. Introduction à la validation et l’évaluation des modèles. Travaux pratiques : Construire et entraîner un modèle simple sur un dataset basique.
Jour 2 : Conception et diagnostic des modèles (6 heures)
- Conception des réseaux de neurones avancés (3 heures) Architectures CNN pour la vision par ordinateur. RNN et LSTM pour le traitement des séquences. Travaux pratiques : Implémenter un CNN pour la classification d’images.
- Diagnostic et optimisation des modèles (3 heures) Identification des problèmes : overfitting, sous-apprentissage, convergence lente. Techniques d’optimisation : régularisation, batch normalization, fine-tuning. Études de cas : Résolution des contraintes sur un jeu de données spécifique.
Jour 3 : Applications pratiques et cas réels (6 heures)
- Cas d’application sectoriels (3 heures) Deep Learning pour la détection de fraudes, le diagnostic médical, ou la prédiction financière. Études de cas spécifiques à des secteurs industriels. Discussions : Identifier des opportunités et défis spécifiques dans votre domaine.
- Projet final : Analyse complète (3 heures) Préparation des données, choix du modèle, entraînement et optimisation. Présentation des résultats et recommandations. Travaux pratiques : Réalisation d’un projet final en équipes.