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.
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
