Les fondamentaux du Deep learning avec Python

 
  3 jours       2110       Avancé    
  Prochaine session
7, 8, 9 juin 2023
Objectifs de la formation
  • 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)

Prérequis

Public visé

Data scientists


Contenu

Réseaux de neurones denses – DNN

  • Neurone formel
  • Perceptron multicouche (MLP)
  • Fonctions d’activation
  • Algorithme de retro-propagation
  • Applications sur cas pratiques

Considérations informatiques

  • Frameworks TensorFlow, Keras et PyTorch
  • GPU & cloud computing

Réseaux de neurones convolutifs – CNN

  • Convolution
  • Architectures classiques de CNN
  • Transfer learning
  • Applications sur cas pratiques

Réseaux de neurones récurrents – RNN

  • Neurone récurrent
  • Cellule récurrente
  • LSTM
  • Applications sur cas pratiques

Autoencoders – AE

  • Architecture
  • Applications sur cas pratiques

Introduction aux modèles GAN

Approche pédagogique

  Moyens pédagogiques

  • Exposé théorique de concepts
  • Applications pratiques sur ordinateur
  • Échanges sur les pratiques et expériences des participants
  • Temps de questions / réponses
  • Exercices, quiz, forum etc.

  Méthodes pédagogiques