Intelligence artificielle - Deep Learning (Séminaire) (4-023)
Description
Objectif général de la formation : Donner une vision claire et globale du Deep Learning, de ses concepts clés, de ses architectures fondamentales, et de ses applications pratiques dans un contexte professionnel. 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 : 40 Niveau SAME visé : Sensibilisation (S) Compétences visées : Identifier les principes de base du Deep Learning et son intégration dans des projets IA. Appréhender les différentes architectures de réseaux de neurones (CNN, RNN, etc.). Comprendre les méthodologies de convergence et d'entraînement des réseaux de neurones. Évaluer les points forts et limites des architectures de Deep Learning.
Objectifs pédagogiques
- Comprendre les clés fondamentales d'une approche Machine Learning ou Deep Learning.
- Maîtriser les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones.
- Connaître les différentes architectures fondamentales existantes et maîtriser leurs implémentations.
- Maîtriser les méthodologies de mise en place de réseaux de neurones, leurs points forts et leurs limites.
Public concerné
Prérequis
Déroulé du programme
Jour 1 : Introduction au Deep Learning et concepts fondamentaux (6 heures)
- Fondamentaux du Machine Learning et transition vers le Deep Learning (2 heures)
Rappel des concepts de base du Machine Learning.
Introduction aux principes du Deep Learning : réseaux de neurones artificiels, couches cachées, activation.
Études de cas : Applications courantes du Deep Learning.
- Architectures de base des réseaux de neurones (2 heures)
Architectures simples : perceptrons multicouches (MLP).
Différences entre CNN (Convolutional Neural Networks) et RNN (Recurrent Neural Networks).
Démonstrations : Exploration de modèles simples avec des outils comme TensorFlow ou PyTorch.
- Entraînement des réseaux de neurones (2 heures)
Fonctionnement de l’entraînement : backpropagation et gradient descent.
Critères de convergence et optimisation des paramètres.
Jour 2 : Approfondissement des architectures et méthodologies (6 heures)
- Exploration des architectures avancées (3 heures)
Réseaux convolutifs (CNN) : principes et applications (vision par ordinateur, reconnaissance d’images).
Réseaux récurrents (RNN) : séquences et séries temporelles.
Études de cas : Comparaison d’architectures pour des applications spécifiques
- Méthodologies de mise en œuvre (3 heures)
Gestion des données d’entraînement : préparation, augmentation des données.
Gestion des biais et des sur-ajustements (overfitting).
Jour 3 : Applications et perspectives futures (6 heures)
- Applications concrètes du Deep Learning (3 heures)
Analyse d’applications : santé, finance, retail, industrie.
Études de cas : résolution de problèmes réels avec des modèles prédictifs.
Discussions : Potentiels et limites dans les projets d’entreprise.
- Implémentation d’un modèle Deep Learning (3 heures)
Choisir une architecture adaptée à un problème donné.
Implémenter, entraîner et évaluer un réseau de neurones sur un jeu de données.
Informations
Durée
3 jour(s)
18h
2200 € HT
HT
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