Les fondamentaux du Deep learning avec Python
Prochaines sessions et informations pratiques
- 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)
- 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)
- Cnnaissances avancées en Machine learning (formation Machine learning : bagging, gradient boosting, SVM avec Python).
- Connaissances intermédiaires de Python (formation Python intermédiaire)
- Cnnaissances avancées en Machine learning (formation Machine learning : bagging, gradient boosting, SVM avec Python).
- Connaissances intermédiaires de Python (formation Python intermédiaire)
Data scientists
Data scientists
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
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
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.
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.
