← Retour aux formations
Intelligence Artificielle & Data
Deep Learning par la pratique : entraîner des réseaux profonds, CNN, RNN et autoencodeurs avec TensorFlow et Keras
Avancé
À propos de cette formation
Ingénieurs et chefs de projet IA, consultants IA et toute personne souhaitant acquérir une maîtrise pratique des techniques de deep learning pour résoudre des problèmes industriels concrets.
Objectifs de la formation
- Retracer l'évolution des réseaux de neurones et identifier les facteurs expliquant l'essor actuel du deep learning
- Prendre en main les bibliothèques de deep learning les plus utilisées dans l'industrie
- Maîtriser les principes de conception des réseaux, les outils de diagnostic et les mécanismes d'optimisation
- Développer une expérience concrète en appliquant le deep learning à des cas industriels variés
Programme détaillé
Module 1 — Introduction
- Démonstration : présentation d'exemples de Machine Learning en classification et en régression
Module 2 — Introduction aux réseaux de neurones artificiels
- Vue d'ensemble des réseaux de neurones artificiels : architecture, fonctionnement et principes fondamentaux du deep learning
Module 3 — Entraînement de réseaux de neurones profonds
- Créer un premier graphe de calcul et l'exécuter dans une session
- Cycle de vie de la valeur d'un nœud
- Manipulation de matrices, régression linéaire et descente de gradient
- Alimenter l'algorithme d'entraînement avec des données
- Sauvegarder et recharger des modèles ; visualiser le graphe et les courbes d'apprentissage
- Entraîner un perceptron multicouche (PMC) avec l'API TensorFlow haut niveau
- Entraîner un PMC directement avec TensorFlow de base
- Affiner les hyperparamètres d'un réseau de neurones
- Gérer les problèmes de disparition et d'explosion des gradients
- Transfert d'apprentissage : réutiliser des couches préentraînées
- Optimiseurs avancés pour accélérer la convergence
- Limiter le surajustement par des techniques de régularisation
- Bonnes pratiques et recommandations pour l'entraînement en profondeur
- Travaux pratiques : implémentation d'un réseau de neurones dans l'esprit du framework TensorFlow
Module 4 — Réseaux de neurones convolutifs
- Inspiration biologique : architecture du cortex visuel
- Fonctionnement et rôle de la couche de convolution
- Fonctionnement et rôle de la couche de pooling
- Architectures classiques et modernes de CNN
- Travaux pratiques : mise en œuvre de CNN sur plusieurs jeux de données variés
Module 5 — Deep Learning avec Keras
- Régression logistique implémentée avec Keras
- Construction d'un perceptron avec Keras
- Réseaux de neurones convolutifs avec Keras
- Travaux pratiques : implémentation avec Keras sur des jeux de données variés
Module 6 — Réseaux de neurones récurrents
- Principe des neurones récurrents ; réseau RNR de base avec TensorFlow
- Techniques d'entraînement des RNR ; architectures profondes
- Cellules LSTM (Long Short-Term Memory) et GRU (Gated Recurrent Units)
- Application au traitement automatique du langage naturel (NLP)
- Travaux pratiques : implémentation de RNN sur des jeux de données variés
Module 7 — Autoencodeurs
- Représentations compactes et efficaces des données
- Analyse en composantes principales (ACP) via un autoencodeur linéaire sous-complet
- Autoencodeurs empilés et préentraînement non supervisé
- Autoencodeurs débruiteurs, épars, variationnels et autres variantes
- Travaux pratiques : implémentation d'autoencodeurs sur des jeux de données variés
Prérequis
Solides connaissances en statistiques et en Machine Learning, de niveau équivalent à la formation « Machine Learning : méthodes et solutions ». Une expérience pratique est requise.