Description de la formation
|
IBS_DEEP_LEAR_RSX_NEURONES
|
|
Présentation :
Embarquez pour un voyage au cœur du Deep Learning et des réseaux de neurones avec cette formation qui allie théorie et action.
Découvrez les mécanismes des modèles avancés, maîtrisez TensorFlow et PyTorch, et explorez des applications comme les CNN, RNN et GAN.
Enrichie d’ateliers concrets et d’un projet final inspiré d’un défi d’entreprise, cette formation vous dote des bases solides pour exceller dans ce domaine en pleine évolution.
Objectifs :
Comprendre les principes du Deep Learning et du ML
Concevoir et entraîner des réseaux de neurones
Exploiter TensorFlow et PyTorch efficacement
Appliquer CNN, RNN et GAN à des cas pratiques
Réaliser un projet Deep Learning opérationnel
Programme :
1 - Fondamentaux du Deep Learning
Contexte : IA, Machine Learning et Deep Learning
Types d’apprentissage : supervisé, non supervisé, renforcement
Architecture des réseaux : neurones, couches, poids
Gradient descent et backpropagation expliqués
Travaux pratiques : création d’un perceptron avec PyTorch
2 - Modélisation et entraînement
Préparation des données : normalisation, augmentation
Régularisation : dropout et L2 pour éviter le surapprentissage
Batch normalization pour stabiliser l’entraînement
Tuning des hyperparamètres : taux d’apprentissage, epochs
Travaux pratiques : entraînement d’un modèle avec dropout
3 - Convolutional Neural Networks (CNN)
Mécanismes des couches de convolution et pooling
Architectures emblématiques : LeNet, ResNet
Classification d’images et détection d’objets
Applications pratiques dans la vision par ordinateur
Travaux pratiques : classification d’images avec TensorFlow
4 - Recurrent Neural Networks (RNN)
Propagation dans le temps et mémoire contextuelle
Cellules LSTM et GRU pour les séquences longues
Prédiction de séries temporelles et traitement du langage
Introduction aux mécanismes d’attention
Travaux pratiques : prédiction d’une série avec RNN
5 - Modèles génératifs (GAN, Auto-encodeurs)
Auto-encodeurs : reconstruction et réduction de données
Variational Autoencoders (VAE) : génération probabiliste
GAN : dynamique générateur vs discriminateur
Création d’images synthétiques et applications
Travaux pratiques : génération d’images simples avec GAN
6 - Optimisation avancée des réseaux
Optimiseurs avancés : Adam, RMSprop, SGD avec momentum
Gestion des problèmes de vanishing/exploding gradients
Techniques de pruning et quantification pour l’efficacité
Surveillance des métriques pendant l’entraînement
Travaux pratiques : optimisation d’un réseau avec Adam
7 - Transfer Learning et modèles pré-entraînés
Principe du Transfer Learning : réutilisation de modèles
Utilisation de modèles pré-entraînés (ex. ResNet, BERT)
Fine-tuning pour des tâches spécifiques
Avantages et limites dans des scénarios réels
Travaux pratiques : fine-tuning d’un modèle pré-entraîné
8 - Projet : Deep Learning en entreprise
Sélection d’un cas d’usage (images, finance, texte)
Collecte et préparation des données adaptées
Entraînement d’un modèle Deep Learning pertinent
Évaluation des performances et interprétation
Présentation d’une solution opérationnelle
Réalisation et validation du projet
|
|
Ingénieurs
Data scientists
Développeurs
Chercheurs
Curieux du Deep Learning
|
|
Deep Learning
Réseaux de neurones
CNN
RNN
GAN
Auto-encodeurs
LSTM
GRU
PyTorch
TensorFlow
Backpropagation
Perceptron
Fine-tuning
Transfer Learning
Optimisation réseau
SGD
Adam
ResNet
BERT
Vision par ordinateur
Prédiction de séries
Projet IA entreprise
|
|
Si aucune formation ne correspond à votre recherche, mettez en concurrence 2150 Centres de formation.
Tel : 01 55 58 04 20.
|
Investisseurs
Investors
