Deep Learning et réseaux de neurones


Les points forts de la formation

Formation 100 % à distance uniquement, à votre rythme, pas de visio

Contenu de la formation

Introduction IA, Machine & Deep Learning

  • Le fantasme de l’intelligence artificielle face aux réalités d’aujourd’hui.
  • Machine learning, Apprentissage supervisé et non supervisé
  • Classification, régression, clustering, estimation de densité, réduction de dimensionnalité, prédiction, génération
  • Régression linéaire, Naive Bayes, Random Tree.

Concepts fondamentaux d’un réseau de neurone

  • Définition d’un réseau de neurones
  • L’apprentissage d’un réseau de neurones : fonctions de coût, backpropagation,stochastic gradient descent, maximum likelihood.
  • Data Augmentation
  • L1/L2 régularization, Batch Normalization, Instance Normalization
  • Stochastic gradient descent, batching, Adagrad, AdaDelta, RMSProp,

Outils usuels ML / DL

  • Apache Spark, Apache Hadoop
  • Numpy, Scipy, Sci-kit
  • PyTorch, Tensorflow, Caffe

Applications du Deep Learning

  • Classification de données
  • Prédiction d’information et donnée séquentielle/temporelle
  • Transformation / Génération de données
  • Reinforcement Learning

Convolutional Neural Networks

  • Présentation des CNNs
  • Utilisation d’un modèle d’attention.
  • U Networks

Recurrent Neural Networks (RNN)

  • Présentation des RNNs
  • GRU et LSTM
  • Problèmes de convergence et vanising gradient.
  • Types d’architectures classiques
  • Architecture de type RNN Encoder Decoder.

Modèles d’attentions, CNN vs RNN

  • Modèle d’attention.
  • CNN Sequence to sequence
  • Attention dans une architecture RNN Encoder-decoder.

Debugging / analyse du fonctionnement d’un réseau

  • État actuel de la compréhension mathématique de la convergence en Deep Learning.
  • GradCam et Saliency maps.
  • Analyse d’un modèle d’attention.
  • Hierarchical Contextual Decompositions.

Modèles générationnels : Variational AutoEncoder (VAE) et Generative Adversarial Networks (GAN)

  • Présentation des modèles génératifs
  • Auto-encoder
  • Generative Adversarial Networks
  • Convergence améliorée
  • CycleGAN, progressive growing GANs, BigGAN.

Deep Reinforcement Learning

  • Présentation du reinforcement learning
  • Markov decision process, Q-Learning VS Policy Gradient, Monte Carlo, SARSA, TD Learning.
  • Deep Q Learning
  • Policy gradients
  • Proximal Policy Optimization (OpenAI).
  • Présentation AlphaGo et AlphaGo Zero.

Durée et rythme de la formation

150 h

Objectif de la formation

  • Compréhension des principes fondamentaux du Machine et Deep Learning
  • Revue des principaux outils et applications
  • Maîtriser les réseaux convolutionnels et récurrents grâce à des exemples Tensorflow
  • Comprendre les modèles d’attention et transformer ainsi que le reinforcement learning
  • Maîtriser les concepts des modèles génératifs et des approximations de distribution

Résultats attendus

Compréhension des principes fondamentaux du Machine et Deep Learning
Revue des principaux outils et applications
Maîtriser les réseaux convolutionnels et récurrents grâce à des exemples Tensorflow
Comprendre les modèles d’attention et transformer ainsi que le reinforcement learning
Maîtriser les concepts des modèles génératifs et des approximations de distribution

Certification

Actions de formation dispensées aux créateurs et repreneurs d’entreprise
Niveau de sortie : Sans niveau spécifique

Prix de la formation

Prix de la formation 3 000,00 €

Envoyez nous un sms au +33756812787 ou téléphonez nous au +33988423261