Cette formation Deep Learning est axée sur la résolution de problèmes pratiques. Son objectif est de proposer aux participants une compréhension détaillée des principales architectures de réseaux de neurones, tout en gardant un focus très pragmatique sur leur utilisation optimale dans différentes conditions, avec de nombreux exemples, retours d’expérience et exercices.

La formation est composée de nombreux modules pratiques, dans lesquels les participants travailleront avec les frameworks TensorFlow et Keras. Ils pourront les utiliser sur différents cas faisant appel à des jeux de données d’images, de textes et de données tabulaires.

Tout au long de la formation, les participants seront amenés à penser les frameworks de Deep Learning comme des outils permettant non seulement d’entraîner et d’utiliser des algorithmes de Deep Learning complexes, mais aussi comme des outils de résolution de tout un ensemble de problèmes d’optimisation divers et variés.

Contenu de la formation

Introduction au Deep Learning

• Qu’est-ce que le Deep Learning ?
• Gradient-Based Optimization
• Optimisation mathématique
• Introduction à TensorFlow et Keras

Réseaux de neurones “Fully-Connected”

• Introduction aux réseaux de neurones “Fully-Connected”
• Implémentation d’un réseau de neurones avec tf.keras
• Introduction à TensorBoard
• Regularisation pour les réseaux de neurones
• API Data de TensorFlow
• Bonnes pratiques pour le choix des hyperparamètres d’un réseau de neurones
• Tour d’horizon des optimizers
• Gestion de l’instabilité du gradient

Réseaux de neurones convolutionnels (CNN)

• Intuitions autour des convolutions
• Réseaux de neurones convolutionnels pour les images
• Architectures types pour les CNN
• Transfer Learning
• Utilisation de TensorFlow Hub

Réseaux de neurones récurrents (RNN)

• Compréhension des réseaux de neurones récurrents
• Applications aux données textuelles
• Utilisations avancées des réseaux de neurones récurrents

Utilisations avancées des réseaux de neurones

• Autoencoders
• Generative Adversarial Networks
• Reinforcement Learning
• Large Language Models

Objectifs de la formation 

• Connaître et comprendre les principales architectures de réseaux de neurones, ainsi que leur utilisation dans différents cas de figure
• Manipuler efficacement un framework pour le Deep Learning
• Connaître les bonnes pratiques autour de la résolution de problèmes de Deep Learning, tant sur l'optimisation des modèles que sur leur déploiement en production

Méthodes pédagogiques

Ce cours de 3 jours est découpé en 5 modules avec une validation des acquis à la fin de chaque module grâce à des exercices pratiques sous forme de notebooks Jupyter pour implémenter et tester les différentes architectures de réseaux de neurones.

Modalités d’évaluation

En début de formation, les bénéficiaires participent à un tour de table pour faire le point sur leurs rôles, leurs connaissances du sujet et leurs attentes à la fin de la formation.

Tout au long de la formation, un ensemble d’exercices est mis en place pour valider la bonne compréhension de chaque chapitre et l’atteinte des objectifs.

Nous avons créé un questionnaire d’auto-évaluation en début et fin de formation qui permettra de valider la compréhension des notions avec le formateur.

A la fin de la prestation, au regard des évaluations réalisées, le formateur complète la fiche du bénéficiaire avec son appréciation.

Chaque chapitre commence avec une introduction des objectifs du chapitre et se termine par une validation de la compréhension de ces objectifs, par un résumé et des questions/réponses entre le formateur et les participants.