Support & Downloads

Quisque actraqum nunc no dolor sit ametaugue dolor. Lorem ipsum dolor sit amet, consyect etur adipiscing elit.

s f

Contact Info
198 West 21th Street, Suite 721
New York, NY 10010
youremail@yourdomain.com
+88 (0) 101 0000 000
Follow Us

Deep Learning - Avancé

réf : BDT-DLA
Formation noSQL-Fondamentaux

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.

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

Pré-requis

Connaissances solides en statistiques

Compétences en Machine Learning

Public concerné

Ingénieurs, chefs de projets IA, consultants IA…

Programme

  • 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

  • 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
  • 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

  • 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

  • Régression logistique
  • Perceptron
  • Réseaux de neurones convolutifs

Travaux pratiques :

Implémentation de Keras en utilisant des jeux de données variés

  • 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

  • Représentations efficaces des données
  • ACP avec un autoencodeur linéaire sous-complet
  • 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

Équipe pédagogique

Professionnel expert technique et pédagogique

Moyens pédagogiques et techniques

  • Espace intranet de formation.
  • Documents supports de formation projetés.
  • Exposés théoriques
  • Étude de cas concrets
  • Mise à disposition en ligne de documents supports à la suite de la formation.

Dispositif de suivi

  • Émargement numérique.
  • Mises en situation.
  • Formulaires d’évaluation de la formation.
  • Certificat de réalisation de l’action de formation.

Vous avez une question ?