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)

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

Notions de programmation (Python recommandé)Bases en mathématiques (algèbre linéaire, calcul différentiel)Familiarité avec les concepts statistiques de baseMotivation pour l'apprentissage de l'IA

Ordinateur portable avec système d'exploitation récent (Windows, macOS, Linux)Connexion internet stableNavigateur web à jour(Optionnel) Un compte Google Colab ou environnement de développement Python configuré (Anaconda, Jupyter, VS Code)

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.

Les objectifs de cette formation sont de comprendre les architectures de base des réseaux de neurones, d'optimiser l'entraînement de modèles Deep Learning et d'appliquer le Deep Learning à des problèmes concrets.

Aucun prérequis spécifique. Cette formation est conçue pour les débutants et les professionnels souhaitant se lancer dans le Deep Learning.

La durée de la formation est de 21 heures, réparties sur des séances pédagogiques en ligne et des exercices pratiques.

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.