Menu Recherche Panier
(...)
Vous êtes ici : Accueil > Formation Data Science - Mise en oeuvre du Deep Learning
TechniqueNouveauté

Formation Data Science - Mise en oeuvre du Deep Learning

Au-delà du Machine Learning, le Deep Learning

Le Machine Learning est un élément majeur dans l’évolution du Big Data vers l’Intelligence Artificielle. En confortant cette évolution et en se rapprochant toujours plus de cette notion d’intelligence, le Deep Learning qui repose sur des traitements distribués dans des réseaux étendus de neurones (ce qui démultiplie les capacités d’analyse des informations) offre de nouvelles possibilités. Pourquoi ? Puisque bien au-delà d’interprétations évolutives, il permet de bénéficier de prévisions, de projections, de conseils mais aussi de nouveaux services tels que la reconnaissance faciale, d’images ou de sons. Les participants à cette formation se familiariseront avec les différents types de réseaux de neurones et apprendront à mettre en place des solutions de Deep Learning.

Objectifs de cette formation

Data Science - Mise en oeuvre du Deep Learning
  • Être capable de maîtriser les concepts clé du Deep Learning
  • Pouvoir s’approprier les atouts et bénéfices du Deep Learning et évaluer ses perspectives d’évolution
  • Comprendre les spécificités et le fonctionnement des réseaux de neurones
  • Savoir créer et régler des réseaux de neurones profonds

Public

  • Ingénieurs, analystes, responsables marketing
  • Data Analysts, Data Scientists, Data Steward
  • Toute personne intéressée par les spécificités du Deep Learning

Pré-requis

Programme détaillé

1ère partie : L'apprentissage profond supervisé

Introduction - L’avènement du Deep Learning

Les réseaux de neurones simples (NN)

  • Le Perceptron
  • Le Perceptron multi-couche
  • L’entraînement d’un Perceptron
  • Principe de back propagation
  • Les optimiseurs
  • Techniques de réglages des NN

Les réseaux de neurones convolutifs (CNN)

  • Pourquoi ce type de réseaux
  • Principe de fonctionnement
  • Les champs de réceptions locaux
  • Les poids partagés
  • Convolution - notion de Padding
  • Convolution - Principe du calcul
  • Les couches de sous-échantillonnage (pooling)
  • Les réseaux convolutifs très profonds (DCNN)
  • Architecture des DCNNs
  • Apprentissage par transfert de DCNNs

Les réseaux de neurones récursifs (RNN)

  • Les réseaux neuronaux récursifs simples
  • Les différentes topologies des RNNs
  • L’évanescence et l’explosion des gradients
  • La variante LSTM des RNNs
  • Autre variante : GRU

Synthèse

  • Applications des différents algorithmes d’apprentissage profond supervisés sur des cas concrets

2ème partie : L'apprentissage profond génératif

Introduction

Auto-encodeurs

  • Introduction
  • Principe d’auto-encodage
  • Fonctionnement
  • Approche fonctionnelle
  • Choix des fonctions d’encodage/décodage
  • Apprentissage
  • Champs applicatifs des auto-encodeurs

Auto-encodeurs variationnels (VAES)

  • Un algorithme génératif basé sur les auto-encodeurs
  • Modèle d’inférence variationnelle
  • Approche formelle des VAEs
  • Optimisation : astuce du re-paramétrage
  • Variantes : CVAE
  • Variante : 𝜷-VAE

Réseaux adverses génératifs (GANs)

  • Des réseaux en coopetition
  • Principes de fonctionnement
  • Approche formelle
  • Modèles générateurs et discriminants
  • Variante : CGAN
  • Modèles plus avancés : LSGAN, ACGAN
  • Modèles avec représentation démêlée : InfoGAN, StackedGAN
  • Lab : Applications des différents algorithmes d’apprentissage profond génératifs sur des cas concrets

3ème partie : L'apprentissage profond par renforcement

Introduction

L'apprentissage profond par renforcement

  • Préambule
  • Principes de fonctionnement
  • Formalisme du RL
  • Plusieurs approches
  • Taxonomies des algorithmes RL

Algorithmes profonds basés sur la valeur

  • Principe d’optimalité de Bellman
  • La valeur d’action Q
  • Apprentissage profond de la valeur d’action
  • Approche par exploration - exploitation
  • La relecture d’expérience (experience replay)
  • Principe d’entraînement du réseau Q
  • DQN - Algorithme
  • Variante DDQN

Algorithmes profonds basés sur la politique

  • Méthodes types Gradient de la Politique (Policy Gradient)
  • Théorème du Gradient de la Politique
  • Approche REINFORCE : principes
  • Approche REINFORCE : algorithme
  • Variante REINFORCE avec base de référence
  • REINFORCE avec base de référence : algorithme
  • Autre variante : ACTOR-CRITIC
  • ACTOR-CRITIC : Algorithme
  • Variante du Actor-Critique : A2C
  • A2C : Algorithme
  • Lab : Applications des différents algorithmes d’apprentissage profond par renforcement sur des cas concrets

Les plus de cette formation

Data Science - Mise en oeuvre du Deep Learning
  • Une pédagogie basée sur l'alternance de phases théoriques, d'ateliers de mise en pratique, de retours d'expériences et de séances d'échanges.
  • Les ateliers pratiques réalisés sur Python mais également en partie en R viennent compléter les phases de cours théoriques.
  • Le partage de bonnes pratiques de la part de consultants experts en Intelligence Artificielle

Informations

  • Durée : 3 Jours (21h)
  • Tarif : 2 050 € HT
  • Réf. : BI107
  • Option(s)
    • Repas Paris : 69 € HT


Dates des sessions

Session garantie Formation à distance Session accessible à distance Visio
Bon à savoir...


= une réponse possible
= plusieurs réponses possibles

Vous n'avez pas répondu à toutes les questions !
Vous avez % de bonnes réponses, vous pouvez donc suivre cette formation.
Vous avez % de bonnes réponses.
Nous vous invitons à contacter nos Conseillers Formation au 0825 07 6000 afin qu'ils vous orientent vers une formation plus adaptée à vos connaissances.