Formation Maîtriser le Deep Learning par la Pratique : Guide Complet

Programme de la formation
Maîtriser le Deep Learning par la Pratique : Guide Complet

• Introduction au Deep Learning et Python

  - Comprendre les fondements de l'IA et du Machine Learning
  - Introduction au Deep Learning : historique et applications (vision, NLP)
  - Rappels essentiels sur Python Pour le Deep Learning (NumPy, Pandas)
  - Installation et configuration de l'environnement (Jupyter, TensorFlow/Keras)

• Fondamentaux des Réseaux de Neurones

  - Neurone artificiel : fonctionnement et activation
  - Architecture des réseaux de neurones : perceptron, neurones multicouches (MLP)
  - Propagation avant (forward propagation)
  - Fonction de perte et optimisation

• Optimisation et Rétropropagation

  - Comprendre l'algorithme de rétropropagation (backpropagation)
  - Descente de gradient et ses variantes (SGD, Adam, RMSprop)
  - Taux d'apprentissage et son optimisation
  - Sur-apprentissage (overfitting) et sous-apprentissage (underfitting) : détection

• Généralisation et Régularisation

  - Techniques de régularisation : L1, L2 (décroissance de poids)
  - Dropout : principe et application
  - Validation croisée pour l'évaluation des modèles
  - Stratégies pour améliorer la généralisation des modèles

• Réseaux de Neurones Convolutifs (CNN) - Partie 1

  - Introduction aux CNN et leur utilité en vision par ordinateur
  - Couches de convolution : filtres, stride, padding
  - Couches de pooling (max pooling, average pooling)
  - Première application pratique : classification d'images simples

• Réseaux de Neurones Convolutifs (CNN) - Partie 2

  - Architectures de CNN populaires (LeNet, AlexNet, VGG)
  - Transfert d'apprentissage (Transfer Learning) : principes
  - Fine-tuning et extraction de caractéristiques
  - Projet pratique : classification d'images complexes avec Transfer Learning

• Réseaux de Neurones Récurrents (RNN) - Partie 1

  - Introduction aux RNN pour les données séquentielles
  - Problème des gradients évanescents/exploseurs
  - Architectures RNN de base : Simple RNN
  - Applications : traitement du langage naturel (NLP), séries temporelles

• Réseaux de Neurones Récurrents (RNN) - Partie 2
• Notions Avancées : Embeddings et Transformers

  - Word Embeddings : Word2Vec, GloVe
  - Introduction aux Transformers : architecture attentionnelle
  - Comprendre le mécanisme d'auto-attention
  - Applications des Transformers en NLP (BERT, GPT : concept)

• Auto-encodeurs et Réseaux Génératifs Adversariaux (GANs)

  - Auto-encodeurs pour la réduction de dimensionnalité et la génération
  - Variational Auto-Encoders (VAE) : principes
  - Introduction aux GANs : générateur, discriminateur
  - Applications des GANs : génération d'images, augmentation de données

• Stratégies d'Entraînement et Déploiement

  - Entraînement distribué et parallélisation
  - Optimisation des hyperparamètres (Grid Search, Random Search, bayésien)
  - Sauvegarde et restauration des modèles
  - Bases du déploiement de modèles Deep Learning (APIs, conteneurisation)

• Éthique, Cas d'Usage Avancés et Perspectives

  - Biais algorithmiques et équité en Deep Learning
  - Explicabilité des modèles (XAI) : concepts de base
  - Cas d'usage industriels et défis actuels
  - Veille technologique et futures tendances du Deep Learning