Deep Learning
Proposé par
M2I
Prérequis
Public admis
- Salarié en Poste
- Entreprise
Demandeur d'emploi et Etudiant non admis
Financement
- Votre OPCO
- Financement personnel
Financement CPF non pris en charge
Modalités
- En centre
- À distance
Objectifs pédagogiques
A l'issue de cette formation, vous serez capable de :
- Décrire les concepts de Machine Learning et l'évolution vers le Deep Learning (réseaux de neurones profonds)
- Identifier les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
- Définir les modèles plus avancés : auto-encodeurs, GAN (Generative Adversarial Network), apprentissage par renforcement
- Utiliser les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
- Appliquer les méthodologies de mise en place de réseaux de neurones, les points forts et les limites de ces outils.
Programme de la formation
Jour 1
Introduction au Deep Learning
- Définition et vocabulaire
- Process pour entraîner un modèle
Exemple de travaux pratiques (à titre indicatif)
- Préparation de l'environnement
Fonctionnement d'un réseau de neurones
- Rappel de bases mathématiques
- Le réseau de neurones
- Architecture, fonctions d'activation et de pondération des activations précédentes...
- L'apprentissage d'un réseau de neurones
- Fonctions de coût, backpropagation, Stochastic gradient descent...
- Modélisation d'un réseau de neurones
- Modélisation des données d'entrée et de sortie selon le type de problème
- Appréhender une fonction et une distribution par un réseau de neurones
- Data Augmentation
- Comment équilibrer un dataset ?
- Généralisation des résultats d'un réseau de neurones
- Initialisations et régularisations d'un réseau de neurones
- L1 / L2 Regularization, Batch normalization
- Optimisations et algorithmes de convergence
Gestion d'un projet de Deep Learning
- Choix des architectures existantes
- Gestion du biais-variance
- Problématique du surapprentissage
- Accélérer l'apprentissage
Deep Learning : pour quels cas ?
- Les limites du Machine Learning classique
- Quand le Deep Learning devient pertinent ?
- Quand faut-il éviter d'avoir recours au Deep Learning ?
Jour 2
Outils de développement du Deep Learning
- Frameworks haut niveau
- PyTorch, Keras, Lasagne
- Frameworks bas niveau
- Theano, Torch, Caffe, TensorFlow
Exemples de travaux pratiques (à titre indicatif)
- Applications et limites des outils présentés
CNN (Convolutional Neural Network)
- Présentation des CNN
- Principes fondamentaux et applications
- Les différents types de convolution
- Stride, Padding, 3D
- Les couches convolutives et les couches de pooling
- Apprentissage : la rétropropagation convolutive
Exemple de travaux pratiques (à titre indicatif)
- Utilisation de CNN dans le cadre du traitement de l'image
Jour 3
RNN (Recurrent Neural Network)
- Présentation des RNN
- Principes fondamentaux et applications
- Les différentes cellules neuronales
- GRU et LSTM
- Apprentissage : la rétropropagation dans le temps
Exemples de travaux pratiques (à titre indicatif)
- Entraîner et évaluer un modèle pour classifier du texte
Deep RL (Deep Reinforcement Learning)
- Les auto-encodeurs
- Représentation sémantique des mots
- Interpolation et extrapolation
Exemples de travaux pratiques (à titre indicatif)
- Deepfake, falsification et anonymisation
Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation
Proposé par
M2I
"Un leadership dans le domaine de la formation"
Proposé par
M2I
