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

• —Explorer les architectures RNN et leurs variantes (LSTM, GRU)
• —Implémenter un modèle RNN pour la prédiction de séquences
• —Utiliser des techniques de régularisation pour éviter le surapprentissage
• —Analyser les performances des RNN avec des métriques adaptées
• —Appliquer le transfert learning aux modèles RNN pour des tâches spécifiques

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

OPCO

Formations financées via votre opérateur de compétences

FAF

Aide à la formation pour les indépendants

France Travail

Des aides pour les demandeurs d'emploi

Employeur

Votre entreprise peut financer votre formation

FNE-Formation

Un soutien pour les entreprises en transformation

- Connaissances fondamentales en Python et librairies Data Science (NumPy, Pandas, Scikit-learn). - Notions de base en Statistiques et Algèbre Linéaire. - Expérience préalable avec des concepts d'apprentissage automatique (Machine Learning) est un plus.

- Un ordinateur portable personnel (Windows, macOS ou Linux) avec au moins 8 Go de RAM. - Une connexion Internet stable. - Installation des environnements de développement (Anaconda recommandé) sera guidée en début de formation. - Pas de matériel spécifique (GPU) requis car les exercices peuvent être réalisés sur CPU ou via des services cloud gratuits (Google Colab, Kaggle Kernels).

5 tests d'évaluation sont proposés à l'apprenant en fin de formation pour connaître son niveau sur chaque compétences visées.

Plateforme et contenus e-learning à disposition. Test de positionnement Quizz & Evaluations

Nous vous recevons lors d’un rendez-vous d’information préalable gratuit et confidentiel en visioconférence pour analyser vos besoins et co-construire votre parcours personnalisé. Chaque demande s’accompagne de la remise d’une convention ou d’un contrat précisant l’ensemble des informations relatives à la formation (Tarifs, calendrier, durée, lieu…). Ce contrat/convention sera transmis électroniquement par email.

A partir de l’accord de prise en charge par le financeur sollicité, le bénéficiaire peut démarrer sous un délai de 11 jours ouvrés. Si vous financez votre parcours de formation par vos propres moyens, alors le délai d'accès est immédiat. Vous pouvez entrer en formation tout au long de l’année.

♿️ Nous accueillons les personnes en situation de handicap. Les conditions d’accessibilité aux personnes handicapées sont inscrites sur le site imi-education.fr, rubrique Accessibilité.

Saskia Cazettes Pour tout renseignement : 07 80 91 06 14 / saskia.c@imi-executive-solutions.com

23 mars 2026

La formation alterne apports théoriques, mises en situation pratiques et échanges entre participants. Chaque concept est directement appliqué via des exercices concrets et des cas réels.

Oui, chaque participant reçoit un support de cours complet (format numérique et/ou papier) qu'il peut conserver à l'issue de la formation.

Certaines de nos formations sont éligibles au Compte Personnel de Formation (CPF). Consultez la fiche formation ou contactez-nous pour vérifier l'éligibilité.

Plusieurs dispositifs de financement existent : CPF, OPCO, plan de développement des compétences, financement individuel. Notre équipe peut vous accompagner dans vos démarches.

Oui, notre équipe reste disponible pour toute question post-formation. Vous bénéficiez également d'un accès à nos ressources en ligne pendant 6 mois après votre parcours.

Nous utilisons TensorFlow et Keras comme outils principaux pour le Deep Learning, ainsi que d'autres bibliothèques et frameworks pour les tâches de développement de logiciel.

Oui, vous obtiendrez un certificat de participation à la fin de la formation, qui atteste de votre participation et de vos compétences acquises.

La pratique est une composante importante de la formation. Vous aurez l'occasion de développer des applications IA concrètes et de les présenter en fin de formation.

Notre organisme de formation s'engage à accueillir et accompagner les personnes en situation de handicap. Notre référente handicap, Mme Lorène Travaux est disponible pour étudier avec vous les adaptations pédagogiques, techniques ou logistiques nécessaires avant toute inscription. Contactez-nous à hello@imi-executive-solutions.com ou au 06 72 09 69 52.