Formation Formation Deep Learning : Apprenez les Fondamentaux et Applications Pratiques

Programme de la formation
Formation Deep Learning : Apprenez les Fondamentaux et Applications Pratiques

• Introduction au Deep Learning et Réseaux de Neurones

  - Définition et historique du Deep Learning
  - Distinction entre Machine Learning et Deep Learning
  - Structure du neurone et réseaux de neurones artificiels
  - Architecture Feedforward : Perceptron et Multi-Layer Perceptron (MLP)
  - Rôle des fonctions d'activation (ReLU, Sigmoid, Tanh)

• Fondamentaux Mathématiques et Logiciels Essentiels

  - Rappels d'algèbre linéaire (vecteurs, matrices, produits)
  - Calcul différentiel (dérivées partielles, gradient)
  - Introduction à NumPy pour les opérations matricielles
  - Présentation de TensorFlow et Keras
  - Mise en place de l'environnement de développement

• Entraînement des Réseaux de Neurones

  - Concepts de perte (loss function) et d'optimisation
  - Descente de gradient et Backpropagation
  - Algorithmes d'optimisation (SGD, Adam, RMSprop)
  - Taux d'apprentissage et dynamique d'entraînement
  - Sur-apprentissage et sous-apprentissage

• Préparation des Données et Évaluation des Modèles

  - Collecte et prétraitement des données (normalisation, standardisation)
  - Division des données : entraînement, validation, test
  - Métriques d'évaluation (précision, rappel, F1-score)
  - Courbes d'apprentissage et détection de problèmes
  - Validation croisée pour une meilleure robustesse

• Réseaux de Neurones Convolutifs (CNN) - Partie 1

  - Introduction à la vision par ordinateur et aux images
  - Principe des couches de convolution et de pooling
  - Filtres et cartes de caractéristiques
  - Architectures simples de CNN (LeNet-5, AlexNet)
  - Opérations mathématiques derrière la convolution

• Réseaux de Neurones Convolutifs (CNN) - Partie 2

  - Techniques d'augmentation de données pour les images
  - Transfer Learning et Fine-tuning de modèles pré-entraînés
  - Architectures avancées de CNN (VGG, ResNet, Inception)
  - Visualisation des activations de CNN
  - Applications pratiques de la classification d'images

• Réseaux de Neurones Récurrents (RNN) - Partie 1

  - Introduction au traitement du langage naturel (NLP)
  - Problématique des séquences et de la mémoire courte des MLP
  - Architecture et fonctionnement des RNN de base
  - Le problème du gradient évanouissant/explosif
  - Embeddings de mots (Word2Vec, GloVe)

• Réseaux de Neurones Récurrents (RNN) - Partie 2

  - Solutions aux problèmes des RNN : LSTM et GRU
  - Architectures Seq2Seq pour la traduction automatique
  - Mécanismes d'attention dans les RNN
  - Applications de NLP : analyse de sentiment, génération de texte
  - Prédiction de séries temporelles avec RNN

• Autoencodeurs et Réseaux Antagonistes Génératifs (GAN)

  - Principes des autoencodeurs pour la réduction de dimensionnalité
  - Autoencodeurs variationnels (VAE) pour la génération
  - Introduction aux GAN : Générateur et Discriminateur
  - Entraînement des GAN et modes de défaillance
  - Applications des GAN : génération d'images, stylisation

• Bonnes Pratiques, Débogage et Hyperparamètres

  - Stratégies de régularisation (Dropout, L1/L2)
  - Normalisation par lots (Batch Normalization)
  - Techniques de débogage et d'optimisation de code DL
  - Stratégies d'ajustement des hyperparamètres
  - Utilisation de TensorBoard pour la visualisation des entraînements

• Déploiement et Cas d'Usage Avancés

  - Sauvegarde et chargement de modèles entraînés
  - Conversion de modèles pour le déploiement (TensorFlow Lite, ONNX)
  - Introduction aux plateformes cloud pour le DL (Google Cloud AI Platform, AWS SageMaker)
  - Deep Learning sur les données tabulaires
  - Apprentissage par renforcement : concepts de base

• Éthique, Biais et Tendances Futures du Deep Learning

  - Comprendre et atténuer les biais dans les données et les modèles
  - Explicabilité et interprétabilité des modèles (XAI)
  - Enjeux éthiques et sociaux du Deep Learning
  - Tendances actuelles : fondation models, MLOps, edge AI
  - Synthèse et prochains pas pour l'apprentissage continu
  ---