Deep Learning avec Python
Apprenez à Développer vos Propres Réseaux de Neurones avec Python
Formation créée le 18/07/2024. Dernière mise à jour le 02/08/2024.
Version du programme : 1
Programme de la formation
Les réseaux de neurones artificiels révolutionnent l'apprentissage automatique et transforment divers secteurs économiques. Durant cette formation pratique, vous maîtriserez les outils les plus répandus pour créer et entraîner des réseaux de neurones profonds. Vous travaillerez sur des jeux de données variés, explorant des applications concrètes du deep learning. Apprenez à optimiser vos modèles et à résoudre des problèmes réels grâce à des ateliers immersifs.
Objectifs de la formation
- Comprendre et appliquer les concepts de base du Deep Learning tels que la régression linéaire, la descente de gradient, et la manipulation des matrices.
- Utiliser des outils populaires comme TensorFlow et Keras pour concevoir, entraîner, et optimiser différents types de réseaux de neurones, y compris les CNN et Transformers.
- Appliquer des techniques de deep learning à des jeux de données diversifiés pour des applications concrètes en classification, régression, et traitement du langage naturel.
- Apprendre à régler les hyperparamètres, utiliser des optimiseurs rapides, éviter le sur-ajustement par la régularisation, et visualiser les courbes d’apprentissage pour évaluer la performance des modèles.
Profil des bénéficiaires
Pour qui
- Ingénieurs en IA
- Chefs de Projets IA
- Personnes souhaitant découvrir les techniques de Deep Learning par la pratique
Prérequis
- Bonnes connaissances en statistiques
- Bonnes connaissances en Python
- Bonnes connaissances en Machine Learning
- ou Avoir suivi la formation "IA et Machine Learning avec Python"
Contenu de la formation
-
Introduction au deep learning
- Premiers pas : construction et exécution d'un premier graphe.
- Cycle de vie des valeurs : comment les données évoluent à travers les neurones.
- Régression linéaire & descente de gradient.
- Alimenter efficacement l'algorithme d’entraînement.
- Sauvegarde et restauration des modèles.
- Découverte des outils de visualisation de graphes et de courbes d’apprentissage.
- Travaux Pratiques : Mise en place d'un modèle de classification et de régression.
-
Plongée dans les réseaux de neurones artificiels
- Entrainer un modèle de deep learning "à la main"
- Entrainer un modèle de deep learning avec TensorFlow de base.
- Affinage des modèles en réglant précisément les hyperparamètres.
-
Réseaux de neurones profonds : Les fondamentaux
- Comprendre et résoudre les problèmes de disparition et d’explosion des gradients.
- Réutilisation des couches pré-entraînées pour améliorer les modèles.
- Utilisation des optimiseurs rapides et éviter le sur-ajustement grâce à la régularisation.
- Travaux Pratiques : créer et entraîner un réseau de neurones profond avec TensorFlow.
-
Maîtrise de TensorFlow et de Keras pour le Deep Learning
- Concept simple : la régression logistique avec Keras.
- Concept simple : le perceptron avec Keras.
- Travaux Pratiques : utiliser Keras avec des jeux de données variés.
-
Exploration des Réseaux de Neurones Convolutifs (CNN)
- Fonctionnement du cortex visuel.
- Couches de convolution et de pooling.
- Les différentes architectures avancées de CNN.
- Travaux Pratiques : Implémenter des CNN avec Keras.
-
Les Réseaux de Neurones Récurrents (RNN)
- Introduction aux Neurones Récurrent.
- RNN de Base avec TensorFlow & Keras.
- RNN Profonds, LSTM, et GRU : Exploration des architectures avancées.
- Travaux Pratiques : Implémenter des RNN sur divers jeux de données.
-
Découverte des Autoencodeurs
- Comment capturer l’essence des données.
- De l’ACP aux Autoencodeurs Variationnels.
- Travaux Pratiques : Mettre en œuvre des autoencodeurs avec des données variées.
-
Les Transformers
- Introduction aux Transformers.
- Le mécanisme d'attention qui permet aux transformers de gérer des séquences longues.
- BERT, GPT et Autres Modèles : Découverte des modèles de transformers les plus populaires.
- Atelier Pratique : Implémentez des modèles de transformers avec des jeux de données variés.
Suivi de l'exécution et évaluation des résultats
- QCM
- Mises en situation
- Travaux Pratiques
- Test de positionnement en amont et en aval par le/la participant.e
Ressources techniques et pédagogiques
- Support de cours au format diapo et pdf
- Travaux pratiques et leurs corrections
- Ressources en lignes
Qualité et satisfaction
Taux de satisfaction des apprenant.e.s / Nombre d'apprenant.e.s depuis le début de la proposition / Taux et causes des abandons / Taux de retour des enquêtes
Capacité d'accueil
Entre 4 et 12 apprenants
Délai d'accès
4 semaines