Skip to Main Content
  • Prochaines sessions (en virtuel)

    • 6 - 8 décembre 2023

    Plus de détails

    Je m'inscris

Public visé

Cette formation Deep Learning est à destination des Data Scientists, Machine Learning Engineers ou développeurs ayant une appétence et une première expérience avec le Machine Learning.

Prérequis

Une connaissance de Python est préférable, de même qu’une première expérience en Machine Learning. Une connaissance préalable de TensorFlow, Keras ou PyTorch n’est pas obligatoire. Les postes de travail et les logiciels nécessaires au bon déroulement de la formation sont fournis par Publicis Sapient Training.

Programme de la formation

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.

Formateur

Romain Benassi
Romain Benassi
Data Scientist
Diplômé de l'IMT Atlantique, grande école d'ingénieur généraliste, avec une spécialisation en traitement du signal, Romain est également docteur Centrale-Supélec pour ses travaux sur l'optimisation via les statistiques bayésiennes. En tant que Data Scientist, il a travaillé plusieurs années dans le domaine de l'énergie dont près de 5 ans pour la start-up Homepulse sur l'analyse statistique des consommations des foyers et sur le sujet de la désagrégation des courbes de charges électriques (NILM). Il poursuit sur ces thématiques liées à l'énergie pendant deux ans en participant au développement de fournisseurs d'électricité alternatifs. Il rejoint ensuite en 2020, en tant que consultant Data Scientist, Publicis Sapient où il est amené à effectuer des missions dans le domaine du Deep Learning et du Natural Language Processing (NLP) auprès d'Enedis et de Vidal. Pour ce dernier, il participe au développement d'algorithmes d'IA pour l'analyse automatique de documents médicaux. En 2021, il devient également enseignant à temps partiel à l'EPITA où il donne un cours d'application du Deep Learning au domaine du NLP.
Bilal Allaudin
Bilal Allaudin
Diplômé de l'école généraliste des Mines de Saint-Etienne, Bilal découvre la Data Science à travers un semestre en Corée du Sud. C'est alors qu'il décide de se spécialiser dans ce domaine à son retour en France. Il poursuit sa passion à travers un stage de fin d'études chez Shapr, une petite start-up qui crée une application de rencontres pour élargir son réseau professionel. Durant cette période il multiplie les projets Machine Learning. Suite à ce stage il décide de rejoindre Collective Thinking, une startup qui aide les hôpitaux à analyser du texte pour se faire rembourser auprès de la sécurité sociale. Bilal y découvre alors le monde de la NLP (Natural Language Processing), une branche du Deep Learning qu'il va approfondir pendant presque 3 ans en faisant de la R&D mais aussi où il va apprendre à maintenir une solutions mise en production chez divers client. Après cette aventure, il rejoint Publicis Sapient en tant que consultant Data Scientist, où il continuera à poursuivre des projets en NLP mais aussi en Machine Learning plus classique. En parallèle il devient professeur/formateur chez Emil - Le Wagon où il donne des cours pour former des élèves en reconversion dans le domaine du Machine Learning.
Financer une formation

Financer une formation