Aperçu du cours
Objectifs de formation : à l’issue de la formation, le stagiaire sera capable d’appréhender les concepts clés du Deep Learning (apprentissage profond) et d’intégrer ces fondamentaux dans la mise en place de réseaux de neurones.
Prérequis
- Avoir des bases en programmation et une bonne maîtrise des outils informatiques et statistiques
- Connaitre les bases du Machine Learning est recommandé
Objectifs pédagogiques
- Comprendre les concepts de Machine Learning et l’évolution vers le Deep Learning (réseaux de neurones profonds)
- Connaitre les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
- Appréhender les modèles plus avancés : auto-encodeurs, gans, apprentissage par renforcement
- Appréhender les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
- Comprendre les méthodologies de mise en place de réseaux de neurones, les points forts et les limites de ces outils
Public ciblé
- Analystes
- Ingénieurs
- Data Scientists
- Data Analysts
- Data Steward
- Développeurs
- Toute personne intéressée par le Deep Learning et les réseaux de neurones
Programme de formation
-
Introduction
-
Le fantasme de l’intelligence artificielle face aux réalités d’aujourd’hui
-
Disparition des algorithmes, nouvelle modélisation des problèmes
-
Machine learning : présentation de l’apprentissage
-
Approches principales
-
Algorithmes à évolution
-
Exemples d’algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree.
-
-
Principes fondamentaux d'un réseau neuronal
-
Bases mathématiques
-
Définition du réseau neuronal
-
Définition de l’apprentissage
-
Modélisation d’un réseau neuronal
-
Estimer une distribution par un réseau de neurones
-
Data Augmentation
-
Généralisation des résultats d’un réseau de neurones
-
Initialisations et régularisations d’un réseau de neurones
-
Optimisations et algorithmes de convergence
-
-
Outil de ML & de DL
-
Outils de gestion de donnée
-
Outils Machine Learning usuel
-
Frameworks DL haut niveau
-
Frameworks DL bas niveau
-
-
Convolutional Neural Networks
-
Définition, fondements & applications
-
Fonctionnement
-
Architecture CNN pour la classification d’images
-
Modèle d’attention
-
Application à une classification usuel
-
CNN & génération
-
Stratégies d’augmentation des Feature Maps pour la génération d’une image
-
-
RNN
-
Définition, fondements & applications
-
Fonctionnement
-
Évolutions : GRU & LSTM
-
Problèmes de convergence & vanising gradient
-
Types d’architecture
-
Architecture RNN Encorder Decoder
-
Application NLP
-
Application vidéo
-
-
Modèles générationnels : VAE et GAN
-
Définition, fondements & applications
-
Auto-encoder & Variational AutoEncoder
-
Espace latent
-
Reparameterization trick
-
Generative Adversarial Networks
-
Convergence d’un GAN & problématiques
-
Convergence améliorée
-
Applications
-
-
Deep Reinforcement Learning
-
Reinforcement Learning
-
Fonction d’état & réseau neuronal
-
Deep Q Learning
-
Optimisations de la politique d’apprentissage & On-policy et off-policy
-
Applications
-
Instructeur
