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

01.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

02.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

03.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

04.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

05.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

06.Réseaux de Neurones Récurrents (RNN) pour les Séquences

07.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

08.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

09.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

10.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

11.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

12.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