Formation Apprenez le Deep Learning et maîtrisez les réseaux de neurones

Programme de la formation
Apprenez le Deep Learning et maîtrisez les réseaux de neurones

• Introduction au Deep Learning et à l'IA

  - Définition et historique du Deep Learning
  - Distinction entre IA, Machine Learning et Deep Learning
  - Pourquoi le Deep Learning est-il devenu incontournable ?
  - Applications réelles du Deep Learning

• Fondamentaux du Machine Learning pour le DL

  - Rappels sur les algorithmes ML (régression, classification)
  - Concepts de surapprentissage et sous-apprentissage
  - Validation croisée et métriques d'évaluation (précision, rappel, F1-score)
  - Introduction aux données d'entraînement et de test

• Les neurones artificiels et leur fonctionnement

  - Le neurone biologique simplifié
  - Le perceptron : la brique élémentaire
  - Fonctions d'activation : ReLU, Sigmoïde, Tanh
  - Le concept de poids et de biais

• Principes des réseaux de neurones (partie 1)

  - Architecture d'un réseau feedforward (FFNN)
  - Couches d'entrée, cachées et de sortie
  - Calcul de la sortie d'un réseau simple
  - Introduction à la propagation avant (forward pass)

• Principes des réseaux de neurones (partie 2)

  - La fonction de coût (ou fonction de perte)
  - Descente de gradient : principe et intuition
  - Taux d'apprentissage et son impact
  - Résolution de problèmes simples de classification

• Optimisation et rétropropagation
• Architectures classiques de réseaux de neurones

  - Réseaux neuronaux entièrement connectés (MLP)
  - Limitation des MLP et motivations pour d'autres architectures
  - Introduction aux réseaux de convolution (CNN)
  - Introduction aux réseaux récurrents (RNN)

• Régularisation et gestion du surapprentissage

  - Techniques de régularisation : L1, L2
  - Dropout : principe et mise en œuvre
  - Early stopping : arrêt précoce de l'entraînement
  - Augmentation de données (Data Augmentation)

• Environnement de développement et frameworks

  - Présentation de TensorFlow et Keras
  - Installation et configuration de l'environnement
  - Premiers pas avec Keras : construction d'un modèle simple
  - Gestion des jeux de données avec les frameworks

• Construction et entraînement de modèles

  - Définir l'architecture avec Keras
  - Compilation du modèle (optimizer, loss, metrics)
  - Entraînement du modèle (fit method)
  - Évaluation des performances du modèle

• Prétraitement des données pour le Deep Learning

  - Normalisation et standardisation des données
  - Gestion des valeurs manquantes et des outliers
  - Encodage des variables catégorielles (One-Hot, Label Encoding)
  - Importance de la qualité des données

• Au-delà des fondamentaux : prochaines étapes

  - Transfert Learning : principe et utilisation
  - Vue d'ensemble des modèles pré-entraînés
  - Ressources pour continuer l'apprentissage du Deep Learning
  - Cas d'usage avancés et défis actuels
  ### Compétences Acquises