Les fondamentaux du Deep learning avec Python
Objectifs pédagogiques
- Comprendre et savoir mettre en œuvre les réseaux de neurones denses (DNN), à l’aide de l’algorithme de rétro-propagation (backpropagation)
- Comprendre et savoir mettre en œuvre les réseaux de neurones convolutifs (CNN) et le transfer learning
- Comprendre et savoir mettre en œuvre les réseaux de neurones récurrents (RNN)
- Comprendre et savoir mettre en œuvre les autoencoders (AE)
Programme détaillé
Réseaux de neurones denses – DNN 4h
- Neurone formel
- Perceptron multicouche (MLP)
- Fonctions d’activation
- Algorithme de retro-propagation
- Applications sur cas pratiques
Considérations informatiques 2h
- Frameworks TensorFlow, Keras et PyTorch
- GPU & cloud computing
Réseaux de neurones convolutifs – CNN 4h
- Convolution
- Architectures classiques de CNN
- Transfer learning
- Applications sur cas pratiques
Réseaux de neurones récurrents – RNN 4h
- Neurone récurrent
- Cellule récurrente
- LSTM
- Applications sur cas pratiques
Autoencoders – AE 3h
- Architecture
- Applications sur cas pratiques
Introduction aux modèles GAN 1h
Public visé
Data scientists
Prérequis
- Cnnaissances avancées en Machine learning (formation Machine learning : bagging, gradient boosting, SVM avec Python).
- Connaissances intermédiaires de Python (formation Python intermédiaire)
Approche pédagogique
Indicateurs de satisfaction
Calculés à partir de 53 avis recueillis depuis 09/11/2017, lors de 8 sessions de cette formation.
Les différentes bibliothèques Python pour le Deep learning
En Python, voici quelques-unes des bibliothèques les plus populaires utilisées par la communauté de recherche et de développement en intelligence artificielle pour créer des modèles de réseaux de neurones profonds performants dans une variété de domaines d’application :
-
TensorFlow: TensorFlow est une bibliothèque open-source de deep learning développée par Google. Elle offre une large gamme de fonctionnalités pour la création, l’entraînement et le déploiement de modèles de deep learning. TensorFlow permet de construire des réseaux de neurones profonds, y compris des réseaux convolutionnels, récurrents et générateurs adverses, pour des tâches telles que la classification d’images, la reconnaissance vocale, la traduction automatique, etc. -
Keras: Keras est une bibliothèque open-source de deep learning qui fonctionne sur plusieurs frameworks de deep learning sous-jacents, notamment TensorFlow, Theano et CNTK. Elle offre une interface de haut niveau simplifiée pour créer et entraîner des réseaux de neurones profonds. Keras est réputée pour sa facilité d’utilisation et sa flexibilité. -
PyTorch: PyTorch est une bibliothèque open-source de deep learning développée par Facebook. Elle permet de créer et de former des modèles de réseaux de neurones profonds avec une syntaxe simple et intuitive. PyTorch offre une flexibilité et une extensibilité élevées, ce qui en fait un choix populaire parmi les chercheurs en intelligence artificielle. -
Caffe: Caffe est une bibliothèque de deep learning qui se concentre principalement sur la vision par ordinateur. Elle est connue pour sa vitesse et son efficacité, et offre une interface simple pour créer et entraîner des réseaux de neurones convolutifs. -
MXNet: MXNet est un framework de deep learning évolutif qui prend en charge plusieurs langages de programmation, dont Python. Il offre une grande flexibilité et des fonctionnalités avancées pour la création et l’entraînement de réseaux de neurones profonds. MXNet est utilisé dans de nombreux domaines, y compris la vision par ordinateur, le traitement du langage naturel et le traitement du signal. -
Theano: Theano est une bibliothèque de deep learning qui permet de créer et de former des réseaux de neurones profonds. Elle offre une grande flexibilité pour définir et optimiser les calculs mathématiques impliqués dans l’apprentissage automatique. Cependant, Theano n’est plus activement développée et recommandée par ses créateurs de migrer vers d’autres frameworks comme TensorFlow ou PyTorch.
