Nb. de jours
3
Présentiel ?
Oui
Distanciel ?
Oui
Min. participants
2
Max. participants
8
Lieu
Toulouse, Paris, etc.
Tarif
2290€ HT
L’intelligence artificielle a été créée dans les années 50. Après avoir connu de nombreux hivers, cette science connaît actuellement un nouvel essor.
Le Machine Learning et en particulier le Deep Learning sont à l’origine de nombreux progrès dans différents domaines (vision par ordinateur, traitement naturel du langage,
etc…) applicables à tous les secteurs d’activités.
L’augmentation de la volumétrie de données et de la puissance de calculs des machines à notre disposition nous permettent désormais de mettre en application et d’améliorer les théories énoncées depuis quelques décennies.
L’augmentation de la volumétrie de données et de la puissance de calculs des machines à notre disposition nous permettent désormais de mettre en application et d’améliorer les théories énoncées depuis quelques décennies.
A l’issue de cette formation, vous connaîtrez les principes fondamentaux du Deep Learning et vous maîtriserez les différentes architectures de réseaux de neurones, vous permettant de créer les modèles répondant à vos problématiques.
Objectifs
- Comprendre le Deep Learning
- Utiliser les frameworks de Deep Learning : TensorFlow v2 et Keras
- Maîtriser les différentes architectures de réseaux de neurones : denses, convolutionnels, récurrents, génératifs
- Mettre en œuvre des cas concrets pour chaque type de réseaux
- Exécuter des calculs sur des CPUs, GPUs et TPUs
- Mesurer la pertinence des modèles mis en œuvre & visualiser l’apprentissage
- Déployer un modèle en production
Pour connaitre les dates des prochaines sessions,
pour adapter le programme à vos besoins
ou pour obtenir des informations complémentaires,
contactez nous!
pour adapter le programme à vos besoins
ou pour obtenir des informations complémentaires,
contactez nous!
Méthode pédagogique
- Composée à 70% de pratique, cette formation utilise des exercices illustrés et didactiques.
- Une évaluation quotidienne de l’acquisition des connaissances de la veille est effectuée.
- Une synthèse est proposée en fin de formation.
- Une évaluation à chaud sera proposée au stagiaire à la fin du cours.
- Un support de cours sera remis à chaque participant comprenant les slides sur la théorie, les exercices.
- Une feuille d’émargement par demi-journée de présence est fournie en fin de formation ainsi qu’une attestation de fin de formation si le stagiaire a bien assisté à la totalité de la session.
- Un suivi et un échange avec les participants seront mis en place quelques jours après la formation.
Pré-requis
La connaissance du langage Python est nécessaire ainsi que la connaissance des librairies scientifiques (numpy et pandas).Publics
- Data Analysts
- Data Engineers
- Data Scientists
- Développeurs
Évaluation
Cette formation ne nécessite pas d’avoir recours à une évaluation formalisée des acquisProgramme
Les bases du Machine Learning
- La définition du Machine Learning
- Les 5 courants du Machine Learning
- Les différents types d’apprentissage
- Entrainement et Inférence des modèles
Demo : Le Machine Learning de A à Z
Premiers pas dans les neurones
- Le neurone formel
- Le perceptron
- Les fonctions d’activation
- La descente de gradient
Démo : Playground réseau de neurones
TP : Mon premier réseau de neurones
Introduction à TensorFlow et Keras
- Historique TensorFlow
- TensorFlow v2 & Keras
- Exécution graphe vs eager
- Cloud Computing / CPU / GPU / TPU
- TensorBoard
Démo TensorBoard
TP : Reconnaissance de chiffres (MNIST)
Les réseaux de neurones convolutionnels
- CNN vs le cortex visuel humain
- Couche de convolution & pooling
- Fonctions d’activation
- Architecture d’un CNN
- Comment le réseau apprend-il ?
- Quelques architectures de référence
Démo Reconnaissance de chiffres avec CNN (MNIST)
TP : Reconnaissance d'image'
Les réseaux de neurones récurrents
- Définition RNN
- LSTM
- GRU
- Traitement automatique du langage naturel : Embeddings & Word2vec
- Transformers
TP : Prévision de séries temporelles
TP : Génération de texte
Deep Generative Models
- Apprentissage non supervisé
- Auto-Encoders & VAE (Variational Auto-encoder)
- GANs
Démo : Playground GAN
Démo : Génération de photos réalistes
Démo : Application d’un style à une photo
