LES FONDAMENTAUX DU DEEP LEARNING

Le Deep Learning, faisant partie intégrante du Machine Learning, est l’un des domaines les plus prometteurs en matière d’intelligence artificielle, car il permet de résoudre des problématiques toujours plus complexes.
Tout au long de cette formation, vous vous familiariserez avec les réseaux de neurones artificiels en manipulant des outils tels que TensorFlow ou bien encore Keras, frameworks de référence pour le Deep Learning. Grâce à cette formation, vous serez en mesure de réaliser des programmes pour la reconnaissance d’images, la classification de textes, et maîtriserez l’ensemble des concepts du Deep Learning.

La formation, « Les fondamentaux du Deep Learning » s’adresse aux professionnels de l’informatique, aux développeurs de logiciels, aux professionnels travaillant dans l’analyse de données ou bien encore aux étudiants et bien entendu à toute personne souhaitant s’initier au Deep Learning.

Le prérequis nécessaire pour cette formation consiste en la connaissance du langage Python

DU MACHINE LEARNING AU DEEP LEARNING

• Rappel des fondamentaux du Machine Learning

LES RESEAUX DE NEURONES

• Présentation des réseaux de neurones
• Les fonctions d’activations (sigmoïde, TanH, ReLU…)
• Notion de fonction de coût
• La descente de gradient

L’OPTIMISATION D’UN RESEAU DE NEURONES

• Sélectionner les caractéristiques
• Techniques de Data Augmentation
• Eviter le surapprentissage grâce à la régularisation (arrêt délibéré, normes L1 et L2)
• Batch normalisation
• Validation croisée et hyperparamètres
• Optimisation et comparaison de modèles

LES DIFFERENTS TYPES DE RESEAUX DE NEURONES

• Les réseaux de neurones à convolutions : CCN : principes et fonctionnement.
• Les réseaux de neurones récurrents : RNN : principes et fonctionnement
• Les modèles générationnels : Variational AutoEncoder (VAE) et Generative Adversarial Networks (GAN).
• L’apprentissage par renforcement : Deep Reinforcement Learning.

OUTILS ET FRAMEWORKS

• Présentation et utilisation des outils tels que Tensorflow, Keras, Pytorch.