Public visé
Toute personne intéressée par les Data Sciences, l’utilisation de modèles performants ainsi que l’adaptation ou la création de modèles.
Prérequis
- Connaissances fondamentales en probabilités et statistiques
- Concepts élémentaires du Machine Learning
Objectifs pédagogiques
À l’issue de cette formation, vous serez capable de :
- Sélectionner les modèles appropriés selon les contextes d’application
- Identifier les outils et approches pour améliorer ou développer des modèles
- Décrire les principes du Machine Learning et la transition vers le Deep Learning
- Reconnaître les composants fondamentaux du Deep Learning
- Distinguer les architectures avancées (auto-encodeurs, GANs, apprentissage par renforcement)
Programme
Jour 1 - Matin
Fondamentaux et concepts
- Définitions et positionnement de l’IA, Deep Learning et Machine Learning
- Outils disponibles (Keras/TensorFlow, PyTorch, Caffe)
- Convergence des réseaux de neurones
- Rétro-propagation
Jour 1 - Après-midi
Optimisation
- Comprendre la descente de gradient
- Fonctions d’erreur et de perte
- Optimiseurs (SGD, RMSprop, Adam)
- Hyper-paramètres et leur sélection
Jour 2 - Matin
Modèles avancés
- Auto-encodeurs et variational auto-encodeurs
- Réseaux antagonistes génératifs (GANs)
- Apprentissage par transfert
- LSTM et GRU pour les séquences
- Introduction au NLP
Jour 2 - Après-midi
Mise en production
- Préparation et optimisation des données
- Exploitation et déploiement des modèles
- Points forts et limitations du Deep Learning
- Bonnes pratiques et industrialisation
Modalités d’évaluation des acquis
- En cours de formation, par des travaux pratiques
- Et, en fin de formation, par un questionnaire d’auto-évaluation