Public visé
Toute personne intéressée par les Data Sciences, l’utilisation de modèles performants ainsi que l’adaptation ou la création de modèles.
Prérequis
Avoir suivi cette formation, ou en maîtriser les thèmes abordés :
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. En fin de formation, par un questionnaire d’auto-évaluation.
Pour aller plus loin
Cette formation donne accès à cette formation :