Formation Deep Learning : Réseaux de neurones et vision par ordi

Programme de la formation
Deep Learning : Réseaux de neurones et vision par ordi

• Introduction aux réseaux de neurones et Deep Learning

  - Distinguer les réseaux de neurones traditionnels des réseaux de neurones profonds.
  - Expliquer les concepts de perceptron multicouche et de rétropropagation.
  - Identifier les applications du Deep Learning en vision par ordinateur.

• Fondamentaux des Réseaux de Neurones Convolutionnels (CNN)

  - Décrire l'architecture d'un CNN (couches de convolution, pooling, activation).
  - Expliquer le rôle des filtres et des cartes de caractéristiques.
  - Appliquer les opérations de convolution et de pooling sur des images.

• Implémentation de CNN avec TensorFlow/Keras

  - Configurer un environnement de développement TensorFlow/Keras.
  - Implémenter un CNN simple pour la classification d'images.
  - Entraîner et évaluer un modèle CNN sur un jeu de données.

• Architectures CNN avancées pour la classification

  - Analyser les architectures VGG, ResNet et Inception.
  - Comparer les performances de différentes architectures CNN.
  - Sélectionner une architecture adaptée à un problème de classification.

• Transfer Learning et Fine-tuning

  - Expliquer le principe du Transfer Learning.
  - Appliquer le Transfer Learning à un modèle pré-entraîné.
  - Réaliser le fine-tuning d'un modèle pour une tâche spécifique.

• Introduction à la détection d'objets

  - Définir les concepts de bounding box et de IoU (Intersection over Union).
  - Comparer les approches de détection d'objets à une et deux étapes.
  - Identifier les métriques d'évaluation pour la détection d'objets.

• Détection d'objets avec YOLO (You Only Look Once)

  - Décrire l'architecture et le fonctionnement de YOLO.
  - Implémenter un modèle YOLO pour la détection d'objets.
  - Interpréter les résultats de détection générés par YOLO.

• Détection d'objets avec Faster R-CNN

  - Expliquer le fonctionnement de Faster R-CNN (Region Proposal Network).
  - Configurer un modèle Faster R-CNN pour une tâche de détection.
  - Comparer les performances de YOLO et Faster R-CNN.

• Segmentation sémantique et instance

  - Distinguer la segmentation sémantique de la segmentation d'instance.
  - Expliquer les architectures U-Net et Mask R-CNN.
  - Appliquer des techniques de segmentation à des images.

• Évaluation de modèles de vision par ordinateur

  - Calculer les métriques de classification (précision, rappel, F1-score).
  - Évaluer la performance de modèles de détection (mAP).
  - Analyser les courbes ROC et PR pour la performance des modèles.

• Optimisation et déploiement de modèles

  - Appliquer des techniques de régularisation (dropout, batch normalization).
  - Optimiser les hyperparamètres d'un modèle de Deep Learning.
  - Exporter un modèle entraîné pour un déploiement.

• Cas d'usage et perspectives en vision par ordinateur

  - Analyser des cas d'usage en reconnaissance faciale.
  - Examiner des applications en diagnostic médical assisté par image.
  - Discuter des défis et des tendances futures en conduite autonome.