Deep Learning New
Explorez le potentiel des réseaux de neurones
Le Deep Learning, sous-domaine du Machine Learning, révolutionne l'intelligence artificielle grâce à ses réseaux de neurones profonds capables d'apprendre et de réaliser des tâches complexes. Cette formation de 3 jours vous plonge au cœur de cette technologie fascinante, en vous guidant à travers ses fondements théoriques et son implémentation pratique avec TensorFlow, la bibliothèque de référence pour le Deep Learning.
Maîtrisez TensorFlow et développez des algorithmes intelligents
Au cours de cette formation, vous acquerrez une compréhension approfondie du fonctionnement du Deep Learning, de l'architecture des réseaux de neurones aux algorithmes d'apprentissage. Vous découvrirez comment utiliser TensorFlow pour construire, entraîner et évaluer des modèles de Deep Learning pour des tâches variées telles que la classification d'images, la reconnaissance vocale, le traitement du langage naturel et bien plus encore.
Durée de la formation
Début de la formation
Objectifs de la formation
Au terme de cette formation, le participant sera capable de :
Comprendre les principes fondamentaux du Deep Learning :
- Expliquer les concepts clés du Deep Learning, tels que les réseaux de neurones artificiels, les couches, les fonctions d'activation, la rétropropagation, etc.
- Différencier le Deep Learning des autres approches de Machine Learning et comprendre ses applications.
- Identifier les problèmes adaptés au Deep Learning et choisir les architectures de réseaux de neurones appropriées.
Développer des algorithmes de Deep Learning avec TensorFlow :
- Utiliser TensorFlow, un framework populaire de Deep Learning, pour construire, entraîner et évaluer des modèles de réseaux de neurones.
- Mettre en œuvre des architectures de réseaux de neurones courantes, telles que les réseaux de neurones convolutifs (CNN) pour la vision par ordinateur et les réseaux de neurones récurrents (RNN) pour le traitement du langage naturel.
- Optimiser les performances des modèles en utilisant des techniques telles que le réglage des hyperparamètres, la régularisation et l'augmentation des données.
Points forts de la formation
Théorie et pratique
- Un équilibre entre les concepts fondamentaux du Deep Learning et leur mise en œuvre concrète avec TensorFlow.
Couverture complète
- Des réseaux de neurones artificiels (ANN) aux réseaux convolutifs (CNN) et récurrents (RNN), en passant par l'apprentissage par renforcement.
Outils essentiels
- Installation et utilisation de TensorFlow, Keras et TensorBoard pour visualiser et analyser vos modèles.
Exercices pratiques
- Appliquez les concepts appris à travers des exercices progressifs et un projet final stimulant.
Performance et mise en production
- Découvrez comment optimiser et déployer vos modèles en situation réelle.
Prérequis pour la formation
Connaissance du langage Python ou avoir suivi la formation Python pour la Data
Programme
de la formation
- Introduction au Deep Learning
- Relation entre Machine Learning et Deep Learning
- Champs d’application et cas d’utilisation
- Principes fondamentaux du Machine Learning
- Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, etc
- Découverte de TensorFlow
- Installation de TensorFlow et son éco système, présentation des tensors (tableaux multidimensionnels), des variables et
- placeholders, présentation des graphes et sessions TensorFlow
- Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets, etc.
- Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes
- d’apprentissage avec TensorBoard
- Exercices
- Les réseaux neuronaux artificiels ou ANN (Deep Learning)
- Présentation du fonctionnement du perceptron à une couche et du perceptron multicouche, configuration et paramétrage d’un
- réseau de neurones
- Approche logicielle du développement d’un réseau de neurones : activation, désactivation
- Conception d’un réseau de neurones en fonction du problème à résoudre
- Exercices
- Entraînement d’un réseau de neurones
- Présentation des méthodes d’apprentissage : fonction de coût, descente de gradient et rétropropagation
- Importance de la métrologie : choix des paramètres
- Présentation de techniques de Data Augmentation et de l’écueil du sur apprentissage par régularisation
- Réutilisation d’ANN, par transfer learning ou comment utiliser des couches pré entraînées
- Exercices
- Réseaux de neurones convolutifs ou CNN
- Présentation des principes de fonctionnement et définition de filtres convolutifs
- Développement d’une couche de convolution, d’une couche de pooling
- Approche logicielle du développement d’un réseau de neurones convolutifs
- Exercices
- Réseaux de neurones récurrents ou RNN
- Présentation des principes de fonctionnement et importance de la disparition du gradient
- Approche logicielle du développement d’un réseau de neurones récurrents
- Présentation d’une Cellule Long Short-Term Memory (LSTM) et de sa version simplifiée la cellule GRU
- Principes fondamentaux du NLP ou Natural Language Processing
- Exercices
- Apprentissage par renforcement (Deep Learning)
- Principe de notation et d’optimisation par objectif
- Présentation de la toolkit Gym pour la programmation par renforcement
- Principe de la prise de décision par critère de Markov
- Principes fondamentaux de l’apprentissage par différence (temporelle, etc)
- Exercices
- Performance et mise en production
- Exécution sur CPUs, GPUs, TPUs ou cluster
- Mise en production avec TensorServing
- Exercices
- Etude de cas
- Présentation d’un cas pour lequel, par groupe, les participants sont amenés à faire un concours pour proposer la solution la plus efficace
- Exercices pratiques:
- Les exercices proposés lors des formations sont centrés sur chaque concept présenté durant la formation. Les exercices abordent les concepts et la difficulté de façon progressive. A la fin de la formation, un exercice récapitulatif d’intégration des concepts est proposé aux participants.
Personne de contact
