Deep Learning : Réseaux neuronaux, CNN, RNN, GAN

Formation créée le 24/01/2025. Dernière mise à jour le 26/06/2025.
Version du programme : 1

Type de formation

Formation présentielle

Durée de formation

30 heures (5 jours)

Accessibilité

Oui
€ Net de TVA
S'inscrire
€ Net de TVA
S'inscrire
€ Net de TVA
S'inscrire

Deep Learning : Réseaux neuronaux, CNN, RNN, GAN


Cette formation de 5 jours (7 heures par jour) 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 Pédagogique & Référent Qualité Julien Broue Tél : 06 58 43 43 78 Email : j.broue@easypartner.fr Référente Handicap et administrative Sandrine Blondeau Tél: : 07 44 44 30 28 Email : s.blondeau@easypartner.fr

Qualité et satisfaction

Taux de satisfaction des apprenants / Nombre d'apprenants / Taux et causes des abandons / Taux de retour des enquêtes / Taux d'interruption en cours de prestation

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 pour toutes les personnes en situation de handicap, notre responsable handicap se tient à votre disposition pour tous renseignements et modalités au numéro 07 44 44 30 28 et mail suivant : s.blondeau@easypartner.fr