Formation – Workshop Deep Learning

Composée à 70% de pratique, cette formation utilise des exercices illustrés et didactiques.

Une évaluation quotidienne de l’acquisition des connaissances de la veille est effectuée.
Une synthèse est proposée en fin de formation.

Une évaluation à chaud sera proposée au stagiaire à la fin du cours. Un support de cours sera remis à chaque participant comprenant les slides sur la théorie, les exercices. Une feuille d’émargement par demi-journée de présence est fournie en fin de formation ainsi qu’une attestation de fin de formation si le stagiaire a bien assisté à la totalité de la session.

Un suivi et un échange avec les participants seront mis en place quelques jours après la formation.

• Comprendre le Deep Learning

• Utiliser les frameworks de Deep Learning : TensorFlow v2 et Keras

• Maîtriser les différentes architectures de réseaux de neurones : denses, convolutionnels, récurrents, génératifs.

• Mettre en œuvre des cas concrets pour chaque type de réseaux

• Exécuter des calculs sur des CPUs, GPUs et TPUs

• Mesurer la pertinence des modèles mis en œuvre & visualiser l’apprentissage

• Déployer un modèle en production

• Développeurs
• Data Analysts
• Data Engineers
• Data Scientists

JOUR 1

Les bases du machine learning

• La définition du Machine Learning
• Les 5 courants du Machine Learning
• Les différents types d’apprentissage
• Entrainement et Inférence des modèles
• Démo : Le machine learning de A à Z avec le Titanic

Premiers pas dans les neurones

• Le neurone formel
• Le perceptron
• Les fonctions d’activation
• La descente de gradient
• Démo : Playground réseau de neurones
• TP : Mon premier réseau de neurones

JOUR 2

Introduction à TensorFlow et Keras

• Historique TensorFlow
• TensorFlow v2 & Keras
• Exécution graphe vs eager
• Cloud Computing / CPU / GPU / TPU
• TensorBoard
• Démo TensorBoard
• TP : Reconnaissance de chiffres (MNIST)

Les réseaux de neurones convolutionnels

• CNN vs le cortex visuel humain
• Couche de convolution & pooling
• Fonctions d’activation
• Architecture d’un CNN
• Comment le réseau apprend-il ?
• Quelques architectures de référence
• Démo : Reconnaissance de chiffres avec CNN (MNIST)
• TP : Reconnaissance d’image

JOUR 3

Les réseaux de neurones récurrents

• Définition RNN
• LSTM
• GRU
• Traitement automatique du langage naturel : Embeddings & Word2vec
• Transformers
• TP : Prévision de séries temporelles
• TP : Génération de texte

Deep Generative Models

• Apprentissage non supervisé
• Auto-Encoders & VAE (Variational Auto-encoder)
• GANs
• Démo : Playground GAN
• Démo : Génération de photos réalistes
• Démo : Application d’un style à une photo

2290 € HT

Retengr vous permet aussi de suivre cette formation à distance, sous forme de classe virtuelle (6 participants maximum), avec un formateur expert sur le sujet. La formation se déroule via une connexion en visio conférence (ZOOM, GoogleMeet, Teams ou autres) et vous permet d’alterner théorie et pratique de façon accompagnée ou autonome, le tout dans le respect des objectifs pédagogiques et des évaluations des acquis.

Les émargements, évaluations, attestation de formation, remises des supports de cours et autres documents se feront en ligne.

En ce qui concerne le matériel informatique du participant, il est seulement préconisé un ordinateur et une connexion internet. Nous nous chargeons du reste.

Chaque participant se verra attribuer une Machine Virtuelle qui sera exécutée dans le Cloud d’Amazon. Il disposera alors de la puissance et des outils nécessaires pour le bon déroulement de la formation. Aucune installation de la part du participant n’est requise avant la formation.

Une journée type de formation à distance se décompose de la façon suivante :

Matin :

• 2h de théorie en visioconférence
• 10 à 15 minutes de présentation d’exercices en visio
• 1h de TP en autonomie avec possibilité de solliciter le formateur (partage d’écran à distance pour une assistance efficace).

Après-midi :

• 2h de théorie en visioconférence
• 10 à 15 minutes de présentation d’exercices en visio
• 1h de TP en autonomie avec possibilité de solliciter le formateur (partage d’écran à distance pour une assistance efficace).