Fantom Tag

Formation - Mise en oeuvre du Deep Learning

Au-delà du Machine Learning, le Deep Learning

  • Présentiel ou classe à distance
  • Fondamental
PRESENTIEL OU CLASSE A DISTANCE
Référence
BI107

Durée
3 jours (21 heures)

Prix
2 170,00 €  HT
Dans vos locaux ou à distance
Référence
BI107

Durée
3 jours (21 heures)

Forfait intra - En savoir plus
7 420,00€ HT
(Prix pour un groupe de 12 personnes max)
Formation à la demande
Cette thématique vous intéresse ?
Nos experts conçoivent votre formation
sur-mesure !
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.
Lire la suite
Pour qui ?

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
Programme

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
  • 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
  • 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
  • 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
  • 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
  • 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
  • Lab : Mise en pratique

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

Objectifs

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
Evaluation

Evaluation

  • Cette formation fait l'objet d'une évaluation formative.
Points forts

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.
  • 100% des participants à cette formation se sont déclarés satisfaits ou très satisfaits au cours des 12 derniers mois.

Qualité des formations

ib Cegos est certifié Iso 9001 et Qualiopi.

Dates et villes

Mise à jour le 21/02/2024
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
  • 2 170,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
Formation - Mise en oeuvre du Deep Learning