Formation - Mise en oeuvre du Deep Learning

Au-delà du Machine Learning, le Deep Learning

L’apprentissage profond, ou Deep learning, est à la base de la révolution en cours autour de l’Intelligence Artificielle. Il devient crucial pour les entreprises et les organisations d’en comprendre ses mécanismes fondateurs ainsi que ses bonnes pratiques de mise en oeuvre. Les objectifs de cette formation visent d’abord à maitriser les briques de base du deep learning (réseaux de neurones simples, convolutifs ou récursifs), d’ensuite comprendre et appréhender des modèles plus avancés (auto encodeurs, modèles génératifs, transformers), d’aborder les mécanismes d’apprentissage neuronaux par renforcement, pour enfin pouvoir décoder plus aisément les architectures récentes des modèles massifs type ChatGPT ou Dall-e. Les participants pourront, sur la base des apports théoriques et pratiques délivrés lors de la formation, mettre en oeuvre concrètement ces connaissances lors d’ateliers qui jalonneront leur parcours.

4,3

pour cette formation (6 avis)

Choisir une session

Informations pratiques

Référence : BI107

Durée : 3 jours (21 heures)
Présentiel ou classe à distance
Fondamental

Formation - Mise en oeuvre du Deep Learning

A qui s'adresse cette formation ?

Pour qui

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

Les objectifs de la formation

Pouvoir maîtriser les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
Être capable de comprendre et d'appréhender les modèles plus avancés : auto-encodeurs, gans, apprentissage par renforcement
Connaître les différents modes de déploiement de ces modèles

Les points forts de la formation

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.
81% des participants à cette formation se sont déclarés satisfaits ou très satisfaits au cours des 12 derniers mois.

ib Cegos, certifié ISO 9001 et Qualiopi, garantit la qualité et la fiabilité de ses formations et certifications. En savoir plus

Prérequis

Avoir suivi la formation "Les bases de l'apprentissage Machine (Machine Learning)" (BI105)
Connaissance d’un langage de programmation, idéalement python
Disposez-vous des connaissances nécessaires pour suivre cette formation ? Testez-vous !

Le programme

Télécharger le programme

1 - Introduction

L'avènement du Deep Learning
Deep Learning Time line
Que peuvent apprendre les machines ?

2 - Réseaux de neurones simples (NNs)

Le Perceptron
Le Perceptron multi-couches
L'entrainement d'un Perceptron
Principe de back propagation
Les optimiseurs du Deep Learning
La régularisation des réseaux de neurones
Techniques de réglages des NN
Lab : mise en oeuvre d'un Perceptron Multi-couches

Mise en situation

Lab : mise en oeuvre d'un Perceptron Multi-couches

3 - Réseaux de neurones convolutifs (convolutional neural networks - CNNs)

Pourquoi ce type de réseaux
Principe de fonctionnement des CNNs
Les champs de réceptions locaux
Les poids partagés
Convolution - notion de Padding
Convolution - Principe du calcul
Les couches de sous-échantillonnage (pooling)
Les CNNs très profonds (DCNNs)
Modèles CNNs - Concours ImageNet
Architectures DCNNs
Mécanisme d'Inception (Google)
L'apprentissage par transfert (Transfer Learning)
La promesse des réseaux de Capsules

Mise en situation

Lab : mise en pratique

Mise en oeuvre de réseaux de neurones convolutifs pour la reconnaissance d'objets simples

Développement d'un modèle profond par transfer learning et application à la reconnaissance fine d'objets

4 - Réseaux de neurones auto-encodeurs et variationnels (AEs et VAEs)

Auto-encodeurs génériques : Principes de fonctionnement ; Choix des fonctions d'encodage/décodage ; L'opération de "déconvolution" ; Usages des auto-encodeurs et modes d'apprentissage
Auto-encodeurs variationnels (variational autoencoders ) : Pourquoi les VAEs ; Principes de fonctionnement ; Modèle d'inférence variationnelle ; Fonction de perte des VAEs ; Optimisation : astuce du re-paramétrage ; Exemple de mise en oeuvre d'un VAE ; Différentes variantes courantes des VAEs

Mise en situation

Lab : Mise en pratique

Développement et application d'auto-encodeurs au débruitage et à la génération de variations naturelles de données

5 - Réseaux antagonistes génératifs (generative adversial networks - GANs)

L’exemple des Deep Fake Faces
Taxonomie des modèles génératifs
Publication fondatrice des GANs
Les GANs, des réseaux en coopétition
Modèles générateurs et discriminants
Intérêts des GANs
Problématiques classiques des GANs
Taxonomies des GANs
Principes de fonctionnement des GANs standards
Principes d’entraînement
Approche formelle de l’entraînement
Les GANS convolutionnels profonds type DCGANs
Focus sur des GANs de référence plus avancés
L’apprentissage progressif type PROGANS
L’apprentissage conditionnel type CGANS
La captation de traits distants type SAGANS
L’apprentissage cyclique type CYCLEGANS
Le transfert de style type STYLEGANS
Synthèse modèles GANS

Mise en situation

Lab : Mise en pratique

Mise en oeuvre de GANs convolutionnels profond (DCGANs) sur cas concrets

StyleGAN appliqué à la génération d’images fines à hautes résolution

6 - Réseaux de neurones séquentiels (RNNs, Transformers, etc.)

Introduction
Les réseaux neuronaux récursifs simples
Les différentes topologies des RNNs
L’évanescence et l’explosion des gradients
La variante LSTM des RNNs
Autre variante : GRULes RNNs bidirectionnels
Le Traitement de très longues séquences
L’approche pure convolutive du modèle Wavenet
Les approches encodeur - décodeur
Les réseaux SequenceToSequence simples (seq2sec)
L’entraînement d’un réseau seq2seq
L’inférence d’un réseau seq2sec
Le mécanisme “Attention”
Un scoring de correspondance entre éléments
Attention : Alignement dynamique des poids
Attention : calcul de la fonction d’alignement
L’architecture disruptive des Transformers
L’approche Key, Value et Query
Illustration du calcul d’alignement
Un mécanisme Multi-têtes d’attention
Qu’apporte un mécanisme Self-Attention
Architecture complète des Transformers
Hyperparamètres clés des Transformers

Mise en situation

Lab : Mise en pratique

Construction d’un Agent Conversationnel (en français) avec un modèle Transformer

7 - Réseaux de neurones profonds auto-apprenants

L'apprentissage profond par renforcement (deep reinforcement learning - DRL) : Principes de fonctionnement ; Cadre Markovien ; Notions de valeur d'état et de politique ; Processus de décision Markovien (MDP) ; Résolution par différents apprentissages ; 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 Q ; Principes du fonctionnement des DQN (deep Q network) ; Approche par exploration - exploitation ; La relecture d'expérience (experience replay) ; Principe d'entraînement du réseau Q ; Variante DDQN
Algorithmes profonds basés sur la valeur : Méthodes types Gradient de la politique ; Approche REINFORCE : principes et formalisme ; Modélisation de la politique ; Théorème du Gradient de la Politique ; Algorithme REINFORCE
Algorithmes mixtes : Variante REINFORCE avec base de référence ; Autres variantes : ACTOR-CRITIC, A2C ; ALFAGO et évolutions

Mise en situation

Lab : Mise en pratique

Mise en oeuvre de plusieurs réseaux d'apprentissage par renforcement sur cas concrets

8 - Les modèles massifs (introduction)

Une loi d’échelle fondamentale
Évolution temporelle des Large Language Models (LLMs)
Le bénéfice d’un apprentissage large non supervisé
L’architecture Transformer revisitée
Arbre d’évolution des LLMs
Dichotomie des modèles discriminants et génératifs
BERT - Un modèle fondateur des LLMs
Architecture du modèle Transformer Encodeur
Pré entraînement et réglage fin
GPTs - L’apprentissage multitâche non supervisé
ChatGPT - La performance de l’apprentissage en context
Architecture Transformer décodeur simple
Détails des hyperparamètres d’un modèle ouvert GPT
L’apprentissage non supervisé autorégressif
Le réglage fin par prompts (few shot learning)
DALL-E - Une déclinaison massive pour l’image
Modèles multi-modaux (texte + image)

Formation qui regroupe des participants de différentes entreprises au sein d'une même session fixe.

Prix

2 400,00 € HT

Consulter les dates et villes

Référence : BI107

Durée : 3 jours (21 heures)
Présentiel ou classe à distance
Fondamental

Horaires

Nos formations débutent à 9h et se terminent entre 17h et 18h. Pour vous accueillir, nos centres sont ouverts dès 8 heures. Un petit déjeuner d'accueil vous est proposé avant la formation.

Évaluation

Pendant la formation, le formateur évalue la progression pédagogique des participants via des QCM, des mises en situation et des travaux pratiques. Les participants passent un test de positionnement avant et après la formation pour valider leurs compétences acquises.

Choisissez votre prochaine session

Date de début

Date de fin

Lieu

Éligibilité

*Nous nous engageons à réaliser les sessions identifiées par "session garantie". Ces sessions sont maintenues sauf force majeure.

Places disponiblesSession garantie*

Du 21 sept. au 23 sept. 2026

2 400,00 € HT

A Distance

S'inscrire

Places disponiblesSession garantie*

Du 21 sept. au 23 sept. 2026

2 400,00 € HT

Paris

Tour Atlantique / 1 place de la Pyramide La Defense 9

92800 Puteaux

S'inscrire

Places disponibles

Du 7 déc. au 9 déc. 2026

2 400,00 € HT

A Distance

Le lien de connexion à la formation à distance sera envoyé au participant quelques jours avant le début de sa formation.

S'inscrire

Places disponibles

Du 7 déc. au 9 déc. 2026

2 400,00 € HT

Aix-En-Provence