Formation Formation Deep Learning : Maîtrisez l'IA par la Pratique pour Vos Projets Data

Programme de la formation
Formation Deep Learning : Maîtrisez l'IA par la Pratique pour Vos Projets Data

• Introduction au Deep Learning et Réseaux de Neurones

  - Définition et histoire du Deep Learning
  - Distinction entre IA, Machine Learning et Deep Learning
  - Fondamentaux des réseaux de neurones artificiels (RNA)
  - Neurone perceptron et fonctions d'activation
  - Architecture de base d'un réseau feedforward

• Apprentissage et Optimisation des Réseaux Neuronaux

  - Notion de fonction de coût et de régression
  - Principe de la descente de gradient
  - Rétropropagation du gradient (backpropagation)
  - Apprentissage supervisé vs non supervisé
  - Problèmes d'overfitting et underfitting

• Préparation des Données pour le Deep Learning

  - Collecte et nettoyage des données
  - Normalisation et standardisation des données
  - Encodage des variables catégorielles (One-Hot, Label Encoding)
  - Split des données : entraînement, validation, test
  - Analyse exploratoire de données (EDA) pour le Deep Learning

• Introduction à TensorFlow et Keras

  - Présentation de TensorFlow et Keras
  - Installation et configuration des environnements de travail (GPU)
  - Création de tensors et opérations de base
  - Définition d'un modèle séquentiel Keras
  - Entraînement et évaluation d'un premier modèle simple

• Réseaux de Neurones Convolutifs (CNN) pour l'Image

  - Principe des opérations de convolution et de pooling
  - Architecture typique d'un CNN (Couches Convolutives, Pooling, Dense)
  - Réseau pour la classification d'images (ex: MNIST, CIFAR-10)
  - Transfer Learning avec des modèles pré-entraînés (VGG, ResNet)
  - Augmentation de données pour l'amélioration des performances

• Réseaux de Neurones Récurrents (RNN) pour les Séquences
• Traitement du Langage Naturel (NLP) avec le Deep Learning

  - Concepts fondamentaux du NLP (tokenization, word embedding)
  - Utilisation de Word2Vec et GloVe
  - Modélisation de séquences de texte avec RNNs, LSTMs pour la classification
  - Introduction aux mécanismes d'attention
  - Cas pratique : analyse de sentiments ou classification de texte

• Techniques d'Optimisation Avancées

  - Différents optimiseurs (Adam, RMSprop, Adagrad, SGD)
  - Ajustement du learning rate (schedulers)
  - Régularisation (L1, L2, Dropout)
  - Normalisation par lots (Batch Normalization)
  - Stratégies pour gérer l'overfitting

• Construction et Déploiement de Modèles

  - Sauvegarde et chargement de modèles Keras
  - Intégration de modèles dans des applications web (Flask/Streamlit)
  - Déploiement de modèles en production (concepts MLOps)
  - Monitoring des performances post-déploiement
  - Versioning de modèles

• Génération de Données et Réseaux Génératifs (GANs)

  - Principe des réseaux génératifs adversariaux (GANs)
  - Architecture du générateur et du discriminateur
  - Entraînement des GANs
  - Applications des GANs (génération d'images, synthèse de données)
  - Limites et défis des GANs

• Cas Pratiques et Projets Avancés

  - Application des CNNs à l'analyse vidéo
  - Détection d'objets (YOLO, SSD)
  - Segmentation sémantique (U-Net)
  - Exploration de modèles de Transformers (BERT, GPT - concepts)
  - Projets de fin de formation guidés

• Évaluation, Optimisation et Bonnes Pratiques

  - Métriques d'évaluation spécifiques au Deep Learning (précision, rappel, F1-score)
  - Interprétabilité des modèles (SHAP, LIME)
  - Debugging de modèles Deep Learning
  - Pipelines de développement Deep Learning (experiment tracking)
  - Étude de cas et meilleures pratiques de l'industrie