Passer commande via notre portail client

Partager cet article ...Print this pageEmail this to someoneTweet about this on TwitterShare on FacebookShare on Google+Share on LinkedInPin on PinterestShare on TumblrDigg this
Deep learning par la pratique
DPL / LI-ART-168
OBJECTIFS PEDAGOGIQUES 

À la fin du cours, le stagiaire sera capable de :

  • Comprendre l’évolution des réseaux de neurones et les raisons du succès actuel du Deep Learning.
  • Utiliser les bibliothèques de Deep Learning les plus populaires.
  • Comprendre les principes de conception, les outils de diagnostic et les effets des différents verrous et leviers.
  • Acquérir de l’expérience pratique sur plusieurs problèmes réels.
PUBLIC 

Ingénieurs/Chefs de projet IA, consultants IA, et toutes les personnes souhaitant découvrir les techniques Deep Learning dans la résolution de problèmes industriels.

PRE-REQUIS 

Bonnes connaissances en statistiques. Bonnes connaissances du Machine Learning, connaissances équivalentes à celles apportées par le cours Machine Learning, méthodes et solutions. Expérience requise.

CONTENU

Introduction

- Historique, concepts de base et applications.
- Machine Learning versus Deep Learning.
- Outils machine learning usuel.
- Frameworks Deep Learning haut niveau : PyTorch, Keras, Lasagne.
- Frameworks Deep Learning bas niveau : Theano, Torch, Caffe, TensorFlow.

Concepts fondamentaux d’un réseau de neurones

- Rappel de bases mathématiques. Réseau de neurones.
- Apprentissage d’un réseau de neurones.
- Modélisation d’un réseau de neurones.
- Approximer une fonction ou une distribution par un réseau de neurones.
- Généralisation des résultats d’un réseau de neurones.
- Initialisations et régularisations d’un réseau de neurones.
- Optimisations et algorithmes de convergence.

Convolutional Neural Networks

- Fonctionnement fondamental d’un CNN.
- Architectures CNN en classification d’images.
- Utilisation d’un modèle d’attention.
- CNNs pour la génération.
- Principales stratégies d’augmentation des Feature Maps pour la génération d’une image.

Recurrent Neural Networks

- Fonctionnement fondamental du RNN.
- Evolutions vers les GRU et LSTM.
- Problèmes de convergence et vanising gradient.
- Types d’architectures classiques.
- Architecture de type RNN Encoder Decoder.
- Applications NLP, vidéo…

Modèles générationnels : VAE et GAN

- Présentation des modèles générationnels VAE et GAN.
- Définition et utilisation de l’espace latent.
- Fondamentaux du GAN.
- Convergence d’un GAN et difficultés rencontrées.
- Applications de génération d’images, génération de texte, super résolution.

Deep Reinforcement Learning

- Reinforcement Learning.
- Utilisation d’un réseau de neurones pour approximer la fonction d’état. Deep Q Learning.
- Optimisations de la politique d’apprentissage.

SESSIONS PROGRAMMEES 

Accès au calendrier

VALIDATION

Evaluation en fin de session

PEDAGOGIE 

Alternance d’exposés et de travaux pratiques

INTERVENANTS 

Spécialiste

MODALITES PRATIQUES

Durée : 3 jours soit 21 heures avec 7 heures par jour
Prix stagiaire : 1 755,00 € TTC
Horaires : 9h – 17h30

Durée: