Aperçu du cours
Objectif de formation : Manipuler les outils de deep learning les plus courants pour créer et entrainer divers types de réseaux de neurones profonds sur différents types types de données
Prérequis
- Connaissances solides en statistiques
- Compétences en Machine Learning
- Expérience pratique sur Deep Learning
Objectifs pédagogiques
- Appréhender l'évolution des réseaux de neurones et les raisons du succès du Deep Learning
- Manipulation des bibliothèques de Deep Learning les plus répandues
- Maîtriser les notions de création, les outils de diagnostic et les effets des divers verrous et leviers
- Obtenir de l'expérience pratique sur différents problèmes concrets
Public ciblé
- Ingénieurs
- Chefs de projet IA
- Consultants IA
Programme de formation
-
Introduction
-
Conception d’un graphe & exécution au sein d’une session
-
Cycle de vie de la valeur d’un nœud
-
Manipulation des matrices
-
Régression linéaire
-
Descente de gradient
-
Fourniture des données à l’algorithme d’entraînement
-
Enregistrement et restauration des modèles
-
Visualisation du graphe & courbes d’apprentissage
-
Travaux pratiques : cas concrets de ML en classification & régression
-
-
Introduction aux réseaux de neurones artificiels
-
Entrainement d’un PMC avec une API TensorFlow de haut niveau
-
Entrainement d’un PMC à l’aide de TensorFlow
-
Configuration précise des hyperparamètres d’un réseau de neurones
-
-
Entraînement de réseaux de neurones profonds
-
Difficultés de disparition & d’explosion des gradients
-
Réutilisation des couches pré-entraînées
-
Optimiseurs plus rapides
-
Sur-ajustement grâce à la régularisation
-
Recommandations pratiques
-
Travaux pratiques : implémentation d’un réseau de neurones à la manière du framework TensorFlow
-
-
Réseaux de neurones convolutifs
-
Architecture du cortex visuel
-
Couche de convolution
-
Couche de pooling
-
Architectures de CNN
-
Travaux pratiques : implémentation des CNN en utilisant des jeux de données variés.
-
-
Présentation de l'outil Keras : Deep Learning
-
Régression logistique
-
Perceptron
-
Réseaux de neurones convolutifs
-
Travaux pratiques : implémentation de Keras en utilisant des jeux de données variés
-
-
Réseaux de neurones récurrents
-
Neurones récurrents
-
RNR de base avec TensorFlow
-
Entrainement des RNR
-
RNR profonds
-
Cellule LSTM
-
Cellule GRU
-
Traitement automatique du langage naturel
-
Travaux pratiques : implémentation des RNN en utilisant des jeux de données variés
-
-
Autoencodeurs
-
Représentations efficaces des données
-
Autoencodeurs empilés
-
Pré-entraînement non supervisé.
-
Autoencodeurs débruiteurs.
-
Autoencodeurs épars
-
Autoencodeurs variationnels
-
Autres autoencodeurs
-
Travaux pratiques : Implémentation d’autoencodeurs en utilisant des jeux de données variés
-
Instructeur
