Deep Learning

Les sessions de formation ont lieu de 9h00 à 12h30 et de 13h30 à 17h00

Introduction

• Créer un premier graphe et l’exécuter dans une session
• Cycle de vie de la valeur d’un nœud
• Manipuler des matrices
• Régression linéaire
• Descente de gradient
• Fournir des données à l’algorithme d’entraînement
• Enregistrer et restaurer des modèles
• Visualiser le graphe et les courbes d’apprentissage
• Portées de noms. Partage des variables

Introduction aux réseaux de neurones artificiels

• Du biologique à l’artificiel
• Entraîner un PMC (perceptron multicouche) avec une API TensorFlow de haut niveau
• Entraîner un PMC (perceptron multicouche) avec TensorFlow de base
• Régler précisément les hyperparamètres d’un réseau de neurones

Entraînement de réseaux de neurones profonds

• Problèmes de disparition et d’explosion des gradients
• Réutiliser des couches pré-entraînées
• Optimiseurs plus rapides
• Éviter le sur-ajustement grâce à la régularisation
• Recommandations pratiques

Réseaux de neurones convolutifs

• L’architecture du cortex visuel
• Couche de convolution
• Couche de pooling
• Architectures de CN

Deep Learning avec Keras

• Régression logistique avec Keras
• Perceptron avec Keras
• Réseaux de neurones convolutifs avec Keras

Réseaux de neurones récurrents

• Neurones récurrents
• RNR de base avec TensorFlow
• Entraîner des RNR. RNR profonds
• Cellule LSTM. Cellule GRU
• Traitement automatique du langage naturel

Autoencodeurs

• Représentations efficaces des données
• ACP avec un autoencodeur linéaire sous-complet
• Autoencodeurs empilés
• Pré-entraînement non supervisé avec des autoencodeurs empilés
  • Autoencodeurs débruiteurs.
  • Autoencodeurs épars.
  • Autoencodeurs variationnels.
  • Autres autoencodeurs

• Réflexion de groupe et apports théoriques du formateur.
• Travail d’échange avec les apprenants sous forme de réunion – discussion.
• Utilisation de cas concrets issus de l’expérience professionnelle.
• Validation des acquis par des questionnaires, des tests d’évaluation, des mises en situation et des jeux pédagogiques.
• Alternance entre apports théoriques et exercices pratiques (en moyenne sur 30 à 50% du temps)

Modalités pédagogiques : Présentiel, Distanciel et AFEST

Ingénieurs/chefs de projet IA, consultants IA et toute personne souhaitant découvrir les techniques Deep Learning

En formation présentielle

Accueil des apprenants dans une salle dédiée à la formation et équipée avec :

• Ordinateurs
• Vidéo projecteur ou Écran TV interactif
• Tableau blanc ou Paper-Board

En formation distancielle

A l’aide d’un logiciel comme ® Microsoft Teams ou Zoom, un micro et une caméra pour l’apprenant.

• Suivez une formation en temps réel et entièrement à distance. Lors de la session en ligne, les apprenants interagissent et communiquent entre eux et avec le formateur.
• Les formations en distanciel sont organisées en Inter-Entreprise comme en Intra-Entreprise.
• L’accès à l’environnement d’apprentissage (support de cours, ressources formateur, fichiers d’exercices …) ainsi qu’aux preuves de suivi et d’assiduité (émargement, évaluation) est assuré.
• Les participants recevront une convocation avec le lien de connexion à la session de formation.
• Pour toute question avant et pendant le parcours, une assistance technique et pédagogique est à disposition par téléphone au 02 35 12 25 55 ou par email à commercial@xxlformation.com

• Positionnement préalable oral ou écrit.
• Feuille de présence signée en demi-journée.
• Evaluation des acquis tout au long de la formation.
• Questionnaire de satisfaction
• Attestation de stage à chaque apprenant
• Evaluation formative tout au long de la formation.
• Evaluation sommative faite par le formateur.

• Nos formateurs sont des experts dans leurs domaines d’intervention
• Leur expérience de terrain et leurs qualités pédagogiques constituent un gage de qualité