Domaine : Bureautique et informatique

Description de la formation 

Exploitez le potentiel des réseaux de neurones artificiels grâce à notre formation de 3 jours !

Objectifs de la formation

Le Deep Learning (apprentissage profond) est l’un des domaines les plus engageants et prometteurs en matière d’intelligence artificielle.
Les avancées du Machine Learning (apprentissage automatique) offrent aujourd’hui d’innombrables possibilités d’application en entreprise, et l’apprentissage profond permet de résoudre des problématiques toujours plus complexes.
Notre formation Deep Learning s’inscrit dans la mouvance actuelle et vous permettra de mettre en œuvre l’ensemble des techniques les plus utilisées.
Tout au long de la formation, vous vous familiariserez avec les réseaux de neurones artificiels en manipulant TensorFlow, outil développé par Google et devenu l’un des frameworks de référence pour le Deep Learning.
Développez des programmes d’un nouveau genre pour la reconnaissance d’images, de textes, et maîtrisez l’ensemble des concepts du Deep Learning grâce à notre formation de référence !

Public cible

Architectes, Chefs de Projet, Développeurs

Compétences pré-requises

Connaissances en programmation avec Python, en Machine Learning et connaissances de base en algèbre et statistiques.

Durée

3 jours

Nombre de participants maximum

8 personnes

Programme

Introduction à la formation Deep Learning

  • Retour historique sur l’apprentissage automatique
  • Du Machine Learning au Deep Learning
  • Pourquoi le Deep Learning revient sur le devant de la scène
  • Champs d’application et cas d’utilisation
  • Révisions des principes fondamentaux du Machine Learning
  • Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, Caffe, etc

Quelques rappels mathématiques : vecteurs, matrices, hyperplans


Premiers pas avec TensorFlow

  • Installer TensorFlow et son environnement
  • Introduction aux tensors (tableaux multidimensionnels)
  • Hello World et opérations de base avec TensorFlow
  • Variables et placeholders
  • Graphes et sessions TensorFlow
  • Les principales APIs TensorFlow : Estimators, Layers, Datasets…
  • Obtenir et manipuler des ensembles de données
  • Régression et classification avec TensorFlow
  • Visualiser des graphes et courbes d’apprentissage avec TensorBoard
  • Sauvegarder et restaurer des modèles
  • Exemples de cas pratiques : Création d’un premier modèle de régression en TensorFlow, prise en main du TensorBoard pour la visualisation

Introduction aux réseaux neuronaux artificiels (ANN)

  • Les réseaux de neurones, du biologique à l’artificiel
  • Le perceptron à une couche et perceptron multicouche
  • Principes de fonctionnement et architecture
  • Régler les paramètres d’un réseau de neurones
  • Les grandes étapes du développement d’un réseau de neurones
  • Fonctions d’activation Sigmoid, Tanh, ReLU…
  • Modéliser un réseau de neurones en fonction du problème à résoudre
  • Exemple de cas pratique : Construction d’un premier réseau de neurones multicouche sur TensorFlow pour la classification

Entraînement et optimisation d’un réseau de neurones

  • Rythme d’apprentissage
  • Fonctions de coût, descente de gradient et rétro-propagation
  • Sélectionner les features
  • Techniques de Data Augmentation
  • Eviter le surapprentissage grâce à la régularisation (arrêt délibéré, normes L1 et L2)
  • Batch normalization
  • Validation croisée et hyperparamètres
  • Optimisation et comparaison de modèles
  • Transfer Learning : utiliser des couches préentraînées
  • Exemples de cas pratiques : Entraînement, test et optimisation d’un réseau de neurones profond

Réseaux de neurones convolutifs (CNN)

  • Principes de fonctionnement et cas d’utilisation
  • Filtres, couches de convolution et de pooling
  • Architecture d’un CNN
  • Exemple de cas pratique : Implémentation d’un réseau de neurones convolutif pour la reconnaissance de l’écriture manuscrite (utilisation de la base de données MNIST de chiffres écrits à la main)
  • Réseaux de neurones récurrents (RNN)
  • Principes de fonctionnement et cas d’utilisation
  • Le problème de la disparition du gradient
  • Architecture d’un RNN
  • Cellule Long Short-Term Memory (LSTM)
  • Cellule GRU, version simplifiée de la cellule LSTM
  • Natural Language Processing
  • Réseaux de neurones récursifs
  • Exemple de cas pratique : Implémentation d’un réseau de neurones récurrents pour le traitement automatique du langage naturel

Autoencoders et Restricted Boltzmann Machine

  • Retour sur l’apprentissage non-supervisé
  • La machine de Boltzmann restreinte (RBM)
  • Deep Belief Networks
  • Réduction de dimension grâce aux autoencoders
  • Différents types d’autoencoders
  • Exemple de cas pratique : Utilisation d’un autoencoder pour la réduction de dimension

Reinforcement learning (apprentissage par renforcement)

  • Principes de fonctionnement et cas d’utilisation
  • Optimiser les récompenses
  • Introduction à OpenAI Gym, configuration et prise en main
  • Le problème du credit-assignment
  • Processus de décision markoviens
  • Apprentissage par différence temporelle
  • Apprentissage Q

Aller plus loin

  • Exécution sur CPUs, GPUs ou cluster
  • Mise en production avec TensorServing
  • Visualisation avancée
  • Les limites du Deep Learning
  • Considérations pour l’implémentation du Deep Learning dans une application d’entreprise
  • Ressources additionnelles

Dates des sessions 

  • le 03/06/2020, le 01/07/2020 à Distance,
  • le 09/06/2020, le 01/09/2020, le 24/11/2020 à Paris,
  • le 29/07/2020, le 14/10/2020, le 01/12/2020 à Lyon,
  • le 29/07/2020, le 14/10/2020, le 01/12/2020 à Grenoble,
  • le 13/10/2020 à Toulouse,
  • le 30/06/2020, le 18/11/2020 à Aix-en-Provence,
  • le 06/07/2020, le 01/12/2020 à Lille,
  • le 16/09/2020 à Nantes.

Tarif HT

1 990 euros

Informations diverses 

Formation possible en inter, en intra, en cours particulier et à distance.


S'inscrire à la formation

Accéder à la plateforme d'inscription

Modalités de prise en charge

Vous pouvez bénéficier de l’aide à la formation du Fonds national de l’Emploi, FNE-Formation.

Le dispositif

Le FNE-Formation est une aide attribuée par la Direccte à une entreprise (aide à la formation du Fonds National de l’Emploi). 

Il a pour objet la mise en œuvre de mesures de formation professionnelle, permettant de faciliter la continuité de l’activité des salariés face aux transformations consécutives aux mutations économiques, et de favoriser leur adaptation à de nouveaux emplois en cas de changements professionnels dus à l’évolution technique ou à la modification des conditions de production.

L’ensemble des entreprises ayant des salariés placés en activité partielle sont éligibles pour ces salariés à l’exception des salariés en contrat d’apprentissage ou en contrat de professionnalisation.

Il n’y a pas de critère de taille d’entreprise ou de secteur d’activité.

Tous les salariés, à l’exception des alternants sont éligibles, indépendamment de leur catégorie socio-professionnelle ou de leur niveau de diplôme.

Les engagements de l’entreprise

En contrepartie des aides de l’Etat, l’employeur doit s’engager à maintenir dans l’emploi le salarié formé pendant toute la période de la convention.

Le contrat de travail étant suspendu pendant la période d’activité partielle, l’entreprise doit pouvoir justifier de l’accord écrit des salariés placés en activité partielle pour le suivi de la formation.

En savoir plus

 

Vous bénéficiez des dispositifs de prises en charges en cours d’OPCO Mobilités.

En savoir plus

Partager