Intelligence artificielle - Deep Learning par la pratique (4-024)
Description
Objectif général de la formation : Fournir une expertise pratique dans l’utilisation des techniques de Deep Learning pour résoudre des problèmes réels tout en abordant les concepts clés et les verrous techniques. Modalité : Toutes les modalités (présentiel, classe virtuelle et hybride) sont possibles Lieu possible de réalisation : Locaux du bénéficiaire ou locaux d’Ascent Formation, en France métropolitaine et dans les DROM-COM Nombre maximal de participants : 20 Niveau SAME visé : Application (A) Compétences visées : Identifier les évolutions et les raisons du succès du Deep Learning. Maîtriser l’utilisation des bibliothèques TensorFlow, PyTorch, et Keras. Comprendre et résoudre les contraintes liées à la conception et à l’entraînement des modèles. Appliquer les concepts de Deep Learning à des cas concrets issus de différents secteurs.
Objectifs pédagogiques
- Comprendre l’évolution des réseaux de neurones et les raisons du succès actuel du Deep Learning
- Utiliser les bibliothèques de Deep Learning les plus populaires.
- Comprendre les principes de conception, les outils de diagnostic et les effets des différents verrous et leviers.
- Acquérir de l’expérience pratique sur plusieurs problèmes réels.
Public concerné
Prérequis
Déroulé du programme
Jour 1 : Introduction et exploration des bibliothèques (6 heures)
- Introduction aux réseaux de neurones et au Deep Learning (2 heures)
Évolution des réseaux de neurones : historique et avancées.
Présentation des raisons du succès actuel du Deep Learning.
Études de cas : Applications majeures dans l’industrie.
- Présentation des bibliothèques de Deep Learning (2 heures)
Introduction à TensorFlow, PyTorch et Keras.
Comparaison des fonctionnalités et cas d’utilisation.
Démonstrations : Mise en place d’un environnement d’entraînement
- Premiers pas avec les modèles de base (2 heures)
Création et entraînement de modèles simples.
Introduction à la validation et l’évaluation des modèles.
Travaux pratiques : Construire et entraîner un modèle simple sur un dataset basique.
Jour 2 : Conception et diagnostic des modèles (6 heures)
- Conception des réseaux de neurones avancés (3 heures)
Architectures CNN pour la vision par ordinateur.
RNN et LSTM pour le traitement des séquences.
Travaux pratiques : Implémenter un CNN pour la classification d’images.
- Diagnostic et optimisation des modèles (3 heures)
Identification des problèmes : overfitting, sous-apprentissage, convergence lente.
Techniques d’optimisation : régularisation, batch normalization, fine-tuning.
Études de cas : Résolution des contraintes sur un jeu de données spécifique.
Jour 3 : Applications pratiques et cas réels (6 heures)
- Cas d’application sectoriels (3 heures)
Deep Learning pour la détection de fraudes, le diagnostic médical, ou la prédiction financière.
Études de cas spécifiques à des secteurs industriels.
Discussions : Identifier des opportunités et défis spécifiques dans votre domaine.
- Projet final : Analyse complète (3 heures)
Préparation des données, choix du modèle, entraînement et optimisation.
Présentation des résultats et recommandations.
Travaux pratiques : Réalisation d’un projet final en équipes.
Informations
Durée
3 jour(s)
18h
2200 € HT
HT
Prochaines sessions
Formations similaires
Migration vers le Cloud
Sur demande
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
Sur demande
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
Sur demande
Analyse des données avec Microsoft Power BI (4-167)
2200 € HT