Description
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
Public concerné
Ingénieurs
Chefs de projet IA
Consultants IA
Prérequis
Connaissances solides en statistiques
Compétences en Machine Learning
Expérience pratique sur Deep Learning
Déroulé du programme
1
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
2
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
3
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
4
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.
5
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
6
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
7
Autoencodeurs
- 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
Informations
Durée
4 jour(s)
28h
Tarif
2700 € HT
HT
Formations similaires
IA & Data
Migration vers le Cloud
2 jour(s)
Sur demande
IA & Data
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
3 jour(s)
Sur demande
IA & Data
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
1 jour(s)
Sur demande
IA & Data
Analyse des données avec Microsoft Power BI (4-167)
3 jour(s)
2200 € HT