Description
Cette formation en Deep Learning vise à fournir une compréhension approfondie des réseaux de neurones et de leurs applications. Les participants apprendront les concepts fondamentaux, y compris les architectures de réseaux, l'optimisation des hyper-paramètres et la validation des modèles. Le programme aborde également les réseaux de neurones convolutifs pour le traitement d'images et les réseaux récurrents pour l'analyse de textes et de séries temporelles. Destinée aux professionnels de la technologie et aux chercheurs, cette formation permet d'acquérir des compétences pratiques et théoriques essentielles dans ce domaine en pleine expansion.
Objectifs
- Apprendre à créer et à utiliser des réseaux de neurones multi-couches (Deep Learning)
- Comprendre le Deep Learning
- Développer des modèles avec TensorFlow
Récapitulatif
Public
Développeur, data engineer, data analyst, data scientist, chercheur, ingénieur R&D, chef de projet technique, statisticien et toute personne travaillant dans la data et sachant manipuler du code informatique
Prérequis
Connaitre un langage de programmation, idéalement python
Méthodes et modalités pédagogiques
Formation réalisée en Présentiel, Distanciel ou Dual-Learning selon la formule retenue.
Moyens et supports pédagogiques
Mise à disposition d'un poste de travail sur nos formations en Présentiel.
Mise à disposition de nos environnements de visio sur nos formations en Distanciel
Remise d'une documentation pédagogique numérique pendant la formation
La formation est constituée d'apports théoriques, d'exercices pratiques et de réflexions
Dans le cas d'une formation sur site Entreprise, le client s'engage à avoir toutes les ressources pédagogiques nécessaires (salle, équipements, accès internet, TV ou Paperboard...) au bon déroulement de l'action de formation conformément aux prérequis indiqués dans le programme de formation
Modalités de suivi et d'évaluations
Auto-positionnement des stagiaires avant la formation
Émargement des stagiaires et formateur par 1/2 journée
Exercices de mise en pratique ou quiz de connaissances tout au long de la formation permettant de mesurer la progression des stagiaires
Auto-évaluation des acquis de la formation par les stagiaires
Questionnaire de satisfaction à chaud et à froid à l'issue de la formation
Programme détaillé
Introduction
- Définition du Deep Learning
- Principaux cas d'usage
- Concepts et vocabulaire de base
Les réseaux de neurones
- Briques de base
- Architecture d'un réseau
- Algorithme d'apprentissage
Concevoir un réseau efficace
- Préparer ses données
- Optimiser les hyper-paramètres
- Définir la bonne architecture
- Régler le taux d'apprentissage
- Valider les modèles
Réseaux de neurones convolutifs, CNN
- Principe de la convolution
- Application à un réseau de neurone
- Traitement des images avec un CNN
- Architectures populaires
Transfert learning
- Récupérer un modèle existant
- Ajouter des couches spécifiques
- Mises en pratique
Réseaux de neurones récurrents (RNN)
- Principe des réseaux récurrents
- Les LSTM
- Traitement des textes
- Traitement des séries temporelles