Formation Maîtriser le Deep Learning : Fondamentaux des Réseaux de Neurones

Programme de la formation
Maîtriser le Deep Learning : Fondamentaux des Réseaux de Neurones

• Introduction au Deep Learning et IA

  - Définition et historique de l'IA et du Deep Learning
  - Distinction entre Machine Learning, Deep Learning et IA
  - Applications concrètes du Deep Learning aujourd'hui
  - Outils et environnements populaires (TensorFlow, Keras, PyTorch)

• Fondamentaux des réseaux de neurones (partie 1)

  - Le neurone biologique vs. neurone artificiel (perceptron)
  - Fonction d'activation : ReLU, Sigmoid, Tanh, Softmax
  - Architecture d'un réseau de neurones simple (MLP)
  - Propagation avant (forward propagation)

• Fondamentaux des réseaux de neurones (partie 2)

  - Fonction de coût (Loss Function) : MSE, Cross-Entropy
  - Minimisation de la fonction de coût
  - Principe de la descente de gradient
  - Le problème du vanishing/exploding gradient

• Entraînement et optimisation (partie 1)

  - Rétropropagation du gradient (backpropagation)
  - Algorithmes d'optimisation : SGD, Adam, RMSprop
  - Taux d'apprentissage (learning rate) et son impact
  - Entraînement par batches : mini-batch gradient descent

• Entraînement et optimisation (partie 2)

  - Surapprentissage (overfitting) et sous-apprentissage (underfitting)
  - Techniques de régularisation : L1, L2, Dropout
  - Validation croisée (cross-validation)
  - Early Stopping pour l'arrêt de l'entraînement

• Réseaux de Neurones Convolutifs (CNN) (partie 1)

  - Introduction aux CNN et applications en vision par ordinateur
  - Opération de convolution et filtres (kernels)
  - Couches de pooling : Max Pooling, Average Pooling
  - Architecture typique d'un CNN (LeNet, AlexNet)

• Réseaux de Neurones Convolutifs (CNN) (partie 2)

  - Transfer Learning et Fine-Tuning
  - Augmentation de données (Data Augmentation)
  - Visualisation des filtres et interprétation des CNN
  - Notions de détection et segmentation d'objets

• Réseaux de Neurones Récurrents (RNN) (partie 1)

  - Introduction aux RNN et applications en PNL
  - Principe des boucles récurrentes et mémoire
  - Problème des dépendances à long terme (long-term dependencies)
  - Architecture de base des RNN (Simple RNN)

• Réseaux de Neurones Récurrents (RNN) (partie 2)

  - Architectures avancées : LSTM (Long Short-Term Memory)
  - Architectures avancées : GRU (Gated Recurrent Unit)
  - Applications des RNN : génération de texte, traduction automatique
  - Traitement de séquences avec des RNN

• Architectures avancées et concepts clés

  - Introduction aux Autoencodeurs et leurs applications
  - Introduction aux Generative Adversarial Networks (GANs)
  - Notions de Transformers et attention (état de l'art PNL)
  - Apprentissage par renforcement : bases et applications

• Mise en œuvre pratique avec Keras/TensorFlow

  - Préparation des données (normalisation, encodage)
  - Construction d'un modèle MLP pour classification
  - Entraînement, évaluation et sauvegarde du modèle
  - Visualisation des performances (courbes d'apprentissage)

• Bonnes pratiques et cas d'usage

  - Résolution de problèmes courants (débugging de modèles)
  - Choix de l'architecture et des hyperparamètres
  - Éthique et biais en Deep Learning
  - Déploiement simplifié de modèles (concepts)