Deep Learning
Cette formation s’adresse à tout professionnel qui souhaite apprendre les bases du Deep Learning
OBJECTIFS
-
Comprendre les concepts du Deep Learning : Acquérir une connaissance approfondie des principes fondamentaux du Deep Learning, y compris les réseaux de neurones, les fonctions d’activation, les couches cachées, les techniques d’optimisation, etc.
-
Maîtriser les différentes architectures de Deep Learning : Apprendre à construire et à entraîner différents types de réseaux de neurones, tels que les réseaux de neurones à propagation avant, les réseaux de neurones récurrents (RNN) et les réseaux de neurones convolutifs (CNN).
-
Appliquer le Deep Learning à des problèmes réels : Acquérir les compétences nécessaires pour appliquer les techniques de Deep Learning à des problèmes du monde réel, tels que la classification d’images, la prédiction de séquences, la génération de texte, etc.
-
Maîtriser les bibliothèques de Deep Learning : Se familiariser avec les bibliothèques populaires utilisées en Deep Learning, telles que TensorFlow, PyTorch et Keras, et apprendre à les utiliser efficacement pour développer, entraîner et évaluer des modèles de Deep Learning.
-
Optimiser les performances des modèles de Deep Learning : Apprendre les techniques d’optimisation et de réglage des hyperparamètres pour améliorer les performances des modèles de Deep Learning, y compris l’utilisation de techniques telles que le transfert d’apprentissage et l’augmentation des données.
-
Déployer des modèles de Deep Learning : Acquérir les connaissances nécessaires pour déployer des modèles de Deep Learning dans des environnements de production, y compris le déploiement sur des serveurs, l’intégration dans des pipelines de traitement de données, etc.
-
Comprendre les avancées récentes du Deep Learning : Être au courant des dernières avancées et des tendances émergentes dans le domaine du Deep Learning, telles que l’apprentissage par renforcement, les réseaux génératifs adverses (GAN), etc.
-
Réaliser des projets pratiques : Travailler sur des projets pratiques tout au long de la formation, permettant aux participants d’appliquer les concepts et les techniques appris à des cas réels et de développer leurs compétences en résolution de problèmes de Deep Learning.
DURÉE
PRÉREQUIS
-
Connaissances en programmation : Une connaissance de base en programmation est essentielle, de préférence en Python.
-
Vous devriez être à l’aise pour écrire du code, comprendre les concepts de base de la programmation et manipuler des structures de données.
-
Fondements en mathématiques : Une compréhension des concepts mathématiques fondamentaux est nécessaire pour comprendre les algorithmes de
-
Deep Learning. Des connaissances en algèbre linéaire, en calcul différentiel et en probabilités/statistiques sont recommandées.
-
Compréhension de l’apprentissage machine (Machine Learning) : Il est utile d’avoir une connaissance de base de l’apprentissage machine, y compris les concepts de modèles de régression, de classification, de surapprentissage, de validation croisée, etc.
-
Expérience avec Python et les bibliothèques courantes : Une familiarité avec Python est importante car la plupart des outils et des bibliothèques utilisés en Deep Learning sont implémentés en Python. Une connaissance de base des bibliothèques populaires telles que NumPy, Pandas et Matplotlib est recommandée.
-
Expérience avec les réseaux de neurones : Une compréhension de base des concepts des réseaux de neurones et de leurs opérations de base (fonctions d’activation, couches cachées, etc.) est bénéfique, même si cela peut être abordé dans la formation.
PUBLIC VISÉ
Experts, ingénieurs, chercheurs et chef de projet
PROGRAMME
Jour 1 :
Module 1 : Principes de base de l’apprentissage automatique
- Introduction à l’apprentissage automatique et à ses applications.
- Compréhension des concepts de régression logistique.
- Utilisation de Multi-Layer Perceptron (MLP) pour la classification.
- Techniques d’ingénierie des caractéristiques automatiques pour améliorer les performances des modèles.
- Réglage des hyperparamètres pour optimiser les modèles d’apprentissage automatique.
Module 2 : Réseaux de neurones profonds
- Introduction aux réseaux de neurones profonds.
- Architecture et fonctionnement des réseaux de neurones à propagation avant (feedforward neural networks).
- Utilisation de bibliothèques telles que Keras, TensorFlow ou PyTorch pour implémenter des réseaux de neurones profonds.
- Entraînement et évaluation des réseaux de neurones profonds.
Module 3 : Réseaux de neurones convolutifs
- Introduction aux réseaux de neurones convolutifs (Convolutional Neural Networks – CNN).
- Explication de la structure et des couches d’un CNN.
- Utilisation de CNN pour la classification et la reconnaissance d’images.
- Application de CNN à des problèmes spécifiques tels que la détection d’objets ou la segmentation d’images.
Jour 2 :
Module 4 : Réseaux de neurones récurrents (TLN)
- Introduction aux réseaux de neurones récurrents (Recurrent Neural Networks – RNN).
- Compréhension du fonctionnement des RNN et de la rétropropagation à travers le temps.
- Utilisation de RNN pour des tâches telles que la prédiction de séquences, la traduction automatique ou la génération de texte.
- Exploration des architectures spécifiques de RNN telles que les LSTM (Long Short-Term Memory) et les GRU (Gated Recurrent Units).
Module 5 : Autoencodeurs
- Introduction aux autoencodeurs et à l’apprentissage non supervisé.
- Explication du principe de reconstruction et de la représentation latente des autoencodeurs.
- Utilisation d’autoencodeurs pour la compression de données et la génération d’images.
Module 6 : Bibliothèques : Keras, TensorFlow, PyTorch
- Présentation des bibliothèques populaires d’apprentissage automatique et de réseaux de neurones : Keras,TensorFlow et PyTorch.
- Exploration des fonctionnalités et des avantages de chaque bibliothèque.
- Utilisation pratique de ces bibliothèques pour implémenter et entraîner des modèles d’apprentissage automatique et de réseaux de neurones
MODALITÉ D’ÉVALUATION
En début :
– *Test de positionnement de connaissance
Pendant l’action de formation :
– *Test de formation, afin de valider les connaissances du stagiaire.
– La pédagogie est adaptée aux adultes (Participation active, mises en situation, exemples concrets, nombreux échanges à l’intérieur du groupe)
– La théorie est directement appliquée par le biais d’exercices sur des cas concrets,
A la fin de la formation :
– *Test de fin de formation, afin de valider les connaissances acquises.
– En fin de formation : Une attestation de fin de formation est remise à chaque participant.
Cette formation vous intéresse ?
Contactez-nous
- Des méthodes expositives
- Méthodes participatives
- Méthodes démonstratives
- Méthodes actives
Un audit personnalisé sous forme de QCM sera envoyé au stagiaire avant le début de la formation ainsi qu’un appel téléphonique afin de cibler spécialement les attentes et les bases déjà présentes.
– Mise en pratique sur micro-ordinateur
– Un support de cours sera remis en fin de stage
En présentiel :
Au sein de nos locaux à Levallois-Perret pour les particuliers ou au sein des locaux des entreprises.
A distance :
Via différentes plateformes comme Zoom, Teams, Whatsapp, Skype avec possibilités d’autres plateformes selon votre convenance.
Délais d’accès à la formation :
– Nous nous engageons à mettre tout en œuvre pour vous apporter une réponse dans les meilleurs délais.
– Les délais d’accès moyens sont généralement inférieurs à 3 jours à compter de la date de signature de la convention de formation ou si CPF, acceptation sur mon compte formation. Ce délai suppose que les dates de planification proposées soient rapidement validées.
Accessibilité aux personnes en situation d’handicap :
– La formation est accessible aux personnes en situation de handicap. En cas d’impossibilité, nous vous orienterons vers des organismes adaptés, si nécessaire.
INTER : 450 € HT / Jour
INTRA : Durée et objectifs adaptés et sur mesure : tarifs sur devis
- Performat Plus
- Centre de formation
- + de 100 formations
- Sur place ou en présentiel
- Performat Plus
- Centre de formation
- + de 100 formations
- Sur place ou en présentiel
- Performat Plus
- Centre de formation
- + de 100 formations
- Sur place ou en présentiel