Suivez nous
- Intégrez l’IAG dans votre quotidien professionnel - niveau 1
- Produisez du contenu précis et de qualité avec l’IAG dans votre travail - niveau 2
- Maîtriser les réseaux sociaux et l'IA avec ChatGPT
- Formation Intelligence artificielle générative, de ChatGPT à MultiGPT
- Formation Intelligence artificielle : enjeux et outils
- Les outils d’Intelligence artificielle pour produire des contenus
- Deep Learning : Tensorflow, Caffe, Putorch
- Traitement du langage naturel NLP
- Traitement d’images : Keras, Pytorch, OpenCV
Deep Learning : Tensorflow, Caffe, Putorch
Objectifs
- Comprendre les apports du deep learning et de l'IA
- Comprendre les principes de fonctionnement
- Comprendre les différents outils disponibles
Profils des apprenants
- Toute personne intéressée par le Deep Learning et les réseaux de neurones : Ingénieurs, Analystes, Data Scientists, Data Analysts, Data Steward, Développeurs...
Connaissances préalables
- Avoir une culture informatique générale
Méthodes pédagogiques
- 6 à 12 personnes maximum par cours, 1 poste de travail par stagiaire
- Remise d’une documentation pédagogique papier ou numérique pendant le stage
- La formation est constituée d’apports théoriques, d’exercices pratiques et de réflexions
Méthodes d'évaluations des acquis
- Auto-évaluation des acquis par le stagiaire via un questionnaire
- Attestation de fin de stage adressée avec la facture
Durée
21 heures (3 jours)
Programme de la formation
Comprendre les concepts de Machine Learning et l’évolution vers le Deep Learning (réseaux de neurones profonds)
- Définitions et positionnement IA, deep learning et Machine Learning
- Les apports du deep learning, état de l’art
- Outils disponibles. Exemple de projets
- Exemples, domaines d’application. Présentation de deepmind
- Outils DeepLearning de haut niveau : Keras/TensorFlow, Caffe/PyTorch, Lasagne
- Exemple d’Atelier : Mise en oeuvre sur cloud AutoML : langages naturels, traduction, reconnaissance d’images, …
- Exemple d’Atelier : Mise en oeuvre sur cloud AutoML : langages naturels, traduction, reconnaissance d’images, …
Appréhender les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
- Fonctionnement d’un réseau de neurones. Comprendre le fonctionnement de l’apprentissage d’un réseau de neurones
- Comprendre la rétro-propagation de l’erreur et la convergence
- Comprendre la descente de gradient. Les fonctions d’erreur : MSE, BinaryCrossentropy, et les optimiseurs SGD, RMSprop, Adam
- Définitions : couche, epochs, batch size, itérations, loss, learning rate, momentum
- Optimiser un entraînement par découpage d’entraînements peu profonds
- Comprendre le principe des hyper-paramètres. Choix des hyper-paramètres
- Exemple d’Atelier : construire un réseau capable de reconnaître une courbe
Connaitre les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
- Les réseaux de neurones : principe, différents types de réseaux de neurones (artificiels, convolutifs, récurrents, …)
- Les différentes formes de réseaux : MultiLayer Perceptron FNN/MLP, CNN
- Couches d’entrée, de sortie, de calcul
- Fonctionnement d’une couche de convolution. Définitions : kernel, padding, stride. Fonctionnement d’une couche de Pooling
- APIs standard, modèles d’apprentissage
- Apprendre à lire une courbe d’apprentissage
- Exemple dAtelier : Comparaison de courbes d’apprentissage avec TensorFlow sur plusieurs paramètres
- Les modèles de DeepLearning pour Keras : Xception, Inception, ResNet, VGG, LeNet
- Exemple d’Atelier : Construction d’un réseau de neurones de reconnaissance d’images
Appréhender les modèles plus avancés : auto-encodeurs, gans, apprentissage par renforcement
- Représentations des données. Bruits. Couches d’encodage : codage entier, One-hot, embedding layer. Notion d’autoencodeur. Autoencodeurs empilés, convolutifs, récurrents
- Comprendre les réseaux antagonistes génératifs (GANS) et leur limites de convergences. Apprentissage par transfert
- Comment optimiser les récompenses ?
- Évolutions vers les GRU (Gated Recurrent Units) et LSTM (Long Short Term Memory)
- Traitement NLP : encodage des caractères et des mots, traduction
- Exemple d’Atelier : entraînement d’un autoencodeur variationnel sur un jeu d’images
Comprendre les méthodologie de mise en place de réseaux de neurones
- Préparation des données, régularisation, normalisation, extraction des caractéristiques
- Optimisation de la politique d’apprentissage
- Exploitation des modèles, mise en production. TensorFlow Hub. Serving
- Visualiser les reconstructions
- Exemple d’Atelier : mise en place d’un serveur de modèles et d’une application tf-lite
Comprendre les points forts et les limites de ces outils
- Mise en évidence des problèmes de convergence et du vanishing gradient
- Les erreurs d’architecture. Comment distribuer un réseau de neurones
- Les limites du DeepLearning : imiter/créer. Cas concrets d’utilisation
- Introduction aux machines quantiques
Un renseignement ?
Un devis ?
Un devis ?
Suivez-nous
Contact & renseignements
67, Rue de Paris
95720 Le Mesnil Aubry
95720 Le Mesnil Aubry