Deep Learning : Le Machine Learning avec des réseaux de neurones

Formation créée le 20/02/2025.
Version du programme : 1

Type de formation

Formation mixte

Durée de formation

21 heures (3 jours)

Accessibilité

Oui
Besoin d’adapter cette formation à vos besoins ? N’hésitez pas à nous contacter afin d’obtenir un devis sur mesure ! Nous contacter

Deep Learning : Le Machine Learning avec des réseaux de neurones


L’intelligence artificielle a été créée dans les années 50. Après avoir connu de nombreux hivers, cette science connaît actuellement un nouvel essor. Le Machine Learning et en particulier le Deep Learning sont à l’origine de nombreux progrès dans différents domaines (vision par ordinateur, traitement naturel du langage, etc…) applicables à tous les secteurs d’activités. L’augmentation de la volumétrie de données et de la puissance de calculs des machines à notre disposition nous permettent désormais de mettre en application et d’améliorer les théories énoncées depuis quelques décennies. A l’issue de cette formation, vous connaîtrez les principes fondamentaux du Deep Learning et vous maîtriserez les différentes architectures de réseaux de neurones, vous permettant de créer les modèles répondant à vos problématiques. Durée : 3 jours (formation possible en présentiel ou distanciel)

Objectifs de la formation

  • Comprendre le Deep Learning
  • Utiliser les framework de Deep Learning : TensorFlow, PyTorch et JAX
  • Maîtriser les différentes architectures de réseaux de neurones : denses, convolutionnels, récurrents, génératifs
  • Mettre en œuvre des cas concrets pour chaque type de réseaux
  • Exécuter des calculs sur des CPUs, GPUs et TPUs
  • Mesurer la pertinence des modèles mis en œuvre & visualiser l’apprentissage
  • Déployer un modèle en production

Profil des bénéficiaires

Pour qui
  • Data Analysts
  • Data Engineers
  • Data Scientists
  • Développeurs
Prérequis
  • Connaissance du langage Python
  • Connaissance des librairies scientifiques (numpy et pandas)
  • Des bases en machine learning sont requises

Contenu de la formation

Rappel des bases du Machine Learning
  • La définition du Machine Learning
  • Les 5 courants du Machine Learning
  • Les différents types d’apprentissage
  • Entraînement et Inférence des modèles
  • Démo : Le Machine Learning de A à Z
Premiers pas dans les neurones
  • Le neurone formel
  • Le perceptron
  • Les fonctions d’activation
  • La descente de gradient
  • Démo : Playground réseau de neurones
Les frameworks de Deep Learning
  • TensorFlow
  • PyTorch
  • JAX
  • Keras
  • TP : Reconnaissance de chiffres (MNIST)
Les réseaux de neurones convolutionnels
  • CNN vs le cortex visuel humain
  • Couche de convolution & pooling
  • Fonctions d’activation
  • Architecture d’un CNN
  • Comment le réseau apprend-il ?
  • Quelques architectures de référence
  • Démo : Reconnaissance de chiffres avec CNN (MNIST)
  • TP : Reconnaissance d'images
Les réseaux de neurones récurrents
  • Définition RNN
  • LSTM
  • GRU
  • Traitement automatique du langage naturel : Embeddings & Word2vec
  • TP : Prévision de séries temporelles
  • TP : Analyse de sentiments
Les transformers et les LLM
  • Attention is All You Need
  • Mécanisme d’attention
  • Panorama des LLM existants
  • Closed model APIs vs OpenModel weights vs Fully open model
  • RAG & AgenticAI

Équipe pédagogique

Alexia, véritable passionnée de la data est une experte en intelligence artificielle et en science des données. Avec plus de 15 ans d'expérience, elle maîtrise un spectre de compétences étendu : Big Data, Data Science, Data Visualisation, Machine Learning, Deep Learning, Intelligence Artificielle, etc. Son parcours, marqué par des contributions significatives dans le domaine de l'apprentissage machine, l'a propulsée au rang des experts mondiaux. En témoignent son titre de Google Developer Expert en machine learning depuis 2019 et sa présence dans le classement des personnalités les plus influentes de l'IA en France. Auteure reconnue et formatrice inspirante, elle démocratise l'IA et partage sa vision d'un futur où l'homme et la machine collaborent harmonieusement. Son premier livre est une collaboration sur l'intelligence artificielle et les neurosciences ("Apprendre demain" - édition Dunod). Son second ouvrage, plus technique, aborde le Deep Learning ("Machine Learning using TensorFlow cookbook" - édition Packt). Pour Alexia, l'IA est bien plus qu'une simple technologie : c'est un levier pour repenser notre société et notre rapport au travail.

Suivi de l'exécution et évaluation des résultats

  • Feuilles de présence.
  • Composée à 70% de pratique, cette formation utilise des exercices illustrés et didactiques.
  • Une évaluation quotidienne de l’acquisition des connaissances de la veille est effectuée.
  • Une synthèse est proposée en fin de formation.
  • Certificat de réalisation de l’action de formation.

Ressources techniques et pédagogiques

  • Accueil des apprenants dans une salle dédiée à la formation (si présentiel).
  • Présentation du support via vidéoprojecteur (ou partage visio).
  • Composée à 70% de pratique, cette formation utilise des exercices illustrés et didactiques.
  • Une évaluation quotidienne de l’acquisition des connaissances de la veille est effectuée.
  • Une synthèse est proposée en fin de formation.
  • Un support de cours sera remis à chaque participant comprenant les slides sur la théorie, les exercices.
  • Un suivi et un échange avec les participants seront mis en place quelques jours après la formation.

Capacité d'accueil

Entre 2 et 8 apprenants

Délai d'accès

4 semaines

Accessibilité

Pour plus d'informations sur les modalités d'accessibilité pour cette formation, vous pouvez contacter directement adeschamps@confor.tech .