Deep Learning : Réseaux neuronaux, CNN, RNN, GAN
Formation créée le 24/01/2025. Dernière mise à jour le 27/01/2025.
Version du programme : 1
Programme de la formation
Cette formation approfondie en Deep Learning vous permet de maîtriser les concepts clés des réseaux neuronaux profonds et leurs applications avancées, tels que les CNN (Convolutional Neural Networks), les RNN (Recurrent Neural Networks) et les GAN (Generative Adversarial Networks). Vous apprendrez à concevoir, entraîner et optimiser des modèles de Deep Learning pour des tâches complexes comme la reconnaissance d'image, le traitement du langage naturel, et la génération de contenu. À la fin de la formation, vous serez capable de mettre en œuvre des solutions Deep Learning à la pointe de la technologie.
Objectifs de la formation
- Comprendre et implémenter les architectures de réseaux neuronaux profonds (DNN, CNN, RNN, GAN). Appliquer des techniques de prétraitement des données pour l’entraînement de modèles. Construire des modèles CNN pour la reconnaissance d’images et des RNN pour les séquences temporelles. Créer des réseaux génératifs (GAN) pour générer des données réalistes. Optimiser les performances des modèles avec des techniques avancées comme le réglage des hyperparamètres et la régularisation. Déployer des modèles de Deep Learning dans des applications réelles.
Profil des bénéficiaires
Pour qui
- Data scientists et ingénieurs en machine learning souhaitant approfondir leurs connaissances en Deep Learning. Développeurs avec des bases en Machine Learning désireux d’acquérir une expertise dans les réseaux neuronaux profonds.
- Chercheurs ou professeurs dans le domaine de l’intelligence artificielle ou du Deep Learning.
Prérequis
- Maîtrise de Python et des concepts de base en Machine Learning. Une bonne connaissance des mathématiques et des statistiques est souhaitable.
Contenu de la formation
-
Jour 1 : Introduction au Deep Learning et réseaux neuronaux
- Introduction au Deep Learning : Concepts et enjeux.
- Structures de base des réseaux neuronaux : perceptron, propagation avant, et rétropropagation.
- Fonctionnement d'un réseau neuronal profond (DNN).
- Mise en pratique : Création d’un réseau de neurones simple avec Keras/TensorFlow.
-
Jour 2 : Convolutional Neural Networks (CNN)
- Présentation des CNN et de leurs applications dans la vision par ordinateur.
- Architecture des CNN : couches de convolution, couches de pooling, couches entièrement connectées.
- Optimisation des CNN pour la classification d'images.
- Étude de cas pratique : Détection d'objets et classification d’images avec CNN.
-
Jour 3 : Recurrent Neural Networks (RNN) et LSTM
- Introduction aux RNN et à leur rôle dans le traitement de séquences.
- Apprentissage séquentiel avec des RNN : problèmes et solutions.
- LSTM (Long Short-Term Memory) : Fonctionnement et applications.
- Pratique : Prévision de séries temporelles avec des RNN et LSTM.
-
Jour 4 : Generative Adversarial Networks (GAN)
- Introduction aux GAN et principes de fonctionnement (générateur vs discriminateur).
- Applications des GAN : génération d'images, de vidéos, et de textes.
- Entraînement et optimisation des GAN.
- Étude de cas : Génération d’images réalistes avec GAN.
-
Jour 5 : Optimisation et mise en production des modèles Deep Learning
- Techniques avancées d'optimisation : réglage des hyperparamètres, régularisation, dropout.
- Stratégies de déploiement de modèles Deep Learning.
- Introduction aux frameworks de déploiement : TensorFlow Serving, Flask pour API, etc.
- Projet final : Application pratique du Deep Learning sur un cas réel.
Équipe pédagogique
Responsable Julien Broue j.broue@easypartner.fr Référente Handicap - Sandrine Blondeau /s.blondeau@easypartner.fr Formateurs Externes à venir
Modalités de certification
Résultats attendus à l'issue de la formation
- Compétences solides pour concevoir et mettre en œuvre des modèles Deep Learning à des fins pratiques. Expertise dans les réseaux neuronaux convolutifs, récurrents et génératifs.
Modalité d'obtention
- Validation des compétences par le biais d’un projet pratique à réaliser en équipe. Réussite d’un test de connaissances théoriques à la fin de la formation.
Détails sur la certification
- La certification est délivrée par notre institution de formation, reconnue dans l’industrie du Deep Learning. Elle atteste des compétences techniques avancées dans le domaine du Deep Learning.
Capacité d'accueil
Entre 5 et 12 apprenants
Délai d'accès
4 semaines
Accessibilité
Accessible aux personnes en situation de handicap : soit dans vos locaux s'ils sont adaptés, soit dans une salle réservée par nos soins et conforme aux réglementations en vigueur