- ACN_ATLAS
- Cours pratique
- FSE
- Informatique
Formation Deep Learning : les fondamentaux
Comprendre les réseaux de neurones pour le deep learning
- Durée
- 3 jours
- Niveau
- Intermédiaire
- Modalités
- Présentiel / Distanciel
Description de la formation Deep Learning
Le Deep Learning est une technologie d’apprentissage automatique qui démocratise l’intelligence artificielle pour les applications informatiques. On peut facilement maintenant reconnaitre ses amis sur des photos, une voix, un objet, adapter une réponse à son interlocuteur, traduire à la volée, etc. Cette technologie n’est pas nouvelle mais décolle aujourd’hui grâce au gigantesque volume de données disponible.
Cette formation Deep Learning n’est pas centrée sur l’IA en général mais privilégie les spécificités du Deep Learning et notamment les concepts et le fonctionnement technique des réseaux de neurones sur lesquels repose cette technologie. Nous replaçons aussi le Deep Learning dans son contexte par rapport au machine learning et nous en montrons également les limites.
Objectifs pédagogiques
Concrètement, à l'issue de cette formation Deep Learning, vous aurez acquis les connaissances et les compétences nécessaires pour :
- Maitriser les concepts fondamentaux du Deep learning et leur origine
- Identifier les principaux types de réseaux de neurones (simples, convolutifs, récursifs, etc.)
- Savoir quand les utiliser ?
- Appréhender les modèles de Deep Learning plus avancés (auto-encodeurs, gans, apprentissage par renforcement, …)
- Appréhender les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
- Comprendre en quoi consiste la mise en œuvre concrète des réseaux de neurones
- Utiliser un framework de référence : Keras de TensorFlow
Objectifs opérationnels
Disposer d'une compréhension détaillée des principales architectures de réseaux de neurones au travers de travaux pratiques.
Programme
Contenu du cours, module par module
11 modules
- Relation entre Machine Learning et Deep Learning
- Champs d’application et cas d’utilisation
- Principes fondamentaux du Machine Learning
- Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, Caffe, etc
Travaux pratiques
- Installation de TensorFlow et son éco système, présentation des tensors (tableaux multidimensionnels), des variables et placeholders, présentation des graphes et sessions TensorFlow
- Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets…
- Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes d’apprentissage avec TensorBoard
Travaux pratiques
- Présentation du fonctionnement du perceptron à une couche et du perceptron multicouche, configuration et paramétrage d’un réseau de neurones
- Approche logicielle du développement d’un réseau de neurones : activation, désactivation
- Conception d’un réseau de neurones en fonction du problème à résoudre
Travaux pratiques
Reconnaissance de caractères manuscrit (classification de chiffres) à l’aide d’un réseau de neurones multi-couches.
- Présentation des méthode d’apprentissage : fonction de coût, descente de gradient et rétro-propagation
- Importance de la métrologie : choix des paramètres
- Présentation de techniques de Data Augmentation et de l’écueil du sur apprentissage par régularisation
Travaux pratiques
Comparaison des résultats avec différents paramètres d’entrainements : taille de l’ensemble d’entrainement, choix des fonction d’activation, nombre d’itération, séparation taille ensemble d’entrainement / de test
- Présentation des principes de fonctionnement et définition de filtres convolutifs
- Développement d’une couche de convolution, d’une couche de pooling
- Approche logicielle du développement d’un réseau de neurones convolutifs
Travaux pratiques
- Présentation des principes de fonctionnement et importance de la disparition du gradient
- Approche logicielle du développement d’un réseau de neurones récurrents
- Présentation d’une Cellule Long Short-Term Memory (LSTM) et de sa version simplifiée la cellule GRU
- Applications des réseaux récurrents aux séries temporelles
- Principes fondamentaux du NLP ou Natural Language Processing
Travaux pratiques
- Reconnaissance et détection d’objets
- Découverte des modèles de l’état de l’art
- Principes de fonctionnement, limites et mise en oeuvre
- Aller plus loin et analyser des flux vidéos, découvertes d’outils spécialisés et pistes de réflexion
- L’exemple de l’outil YOLO
Travaux pratiques
- Principes fondamentaux des auto-encodeurs
- Réduction de dimension grâce aux auto-encodeurs
- Introduction et découverte des réseaux de génération d’images : Variational Auto-Encoders (VAE)
- Présentation de l’API avancée de Keras (functional API) autoencoder
Travaux pratiques
Construire un auto-encodeur pour le filtrage et le nettoyage d’images
- Définir le principe de notation et d’optimisation par objectif
- Présentation de la toolkit Gym pour la programmation par renforcement
- Principe de la prise de décision par critère de Markov
- Principes fondamentaux de l’apprentissage par différence (temporelle, etc)
Travaux pratiques
Mise en place d’un agent simple sur un jeu Atari (apprentissage par renforcement qui apprend dans un environnement inconnu (dont les règles du jeu), il reçoit des récompenses en fonction de ses choix bons ou mauvais à chaque changement d’état).
- Découverte des réseaux les plus performants
- Comprendre ce qui les distingue les uns des autres (points forts et limites de chacun)
- Ré-utiliser, tout ou partie, de réseaux pré-entrainés sur des millions d’images
- Principes et fonctionnement du transfert learning
Travaux pratiques
- Exécution sur CPUs, GPUs à l’aide des notebook Jupyter
- Librairies de sérialisation et introduction à TensorServing pour la mise en production
Travaux pratiques
Programme mis à jour le 07/05/2026
Public concerné
Ce cours Deep Learning cible principalement les Data Scientists, Machine Learning Engineers ou les développeurs ayant une appétence et une première expérience avec le Machine Learning.
Prérequis
Pour suivre cette formation Machine Learning, il est nécessaire de disposer des bases en programmation à travers un langage comme Python, Java, C#, etc., d’être à l’aise avec les statistiques et de posséder des bases en Machine Learning. Même si nous expliquons en début de formation en quoi consiste la transition du Machine Learning vers le Deep learning il n’est pas prévu de revenir en détail sur le Machine Learning.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
4,6/5
16 avis
« Mon avis sur le contenu du stage : "Les travaux pratiques sont cools. Sur les exercices où on doit tweaker les modèles, ce serait intéressant de pouvoir avoir accès à un jeu de paramètre bien qui augmente la performance du modèle" Mon avis sur le formateur : "Comme on était que 2, il s'est adapté pour nous aider à assimiler plus vite les différents concepts." Ce que j'ai le plus apprécié : "Diversité des supports proposés Schéma fait pour éclaircir les concepts Quantité de travaux pratiques" Ce que j'ai le moins apprécié : "Le copier/coller de code incorrectement formaté" »
HCOPLIT « Mon avis sur le contenu du stage : "Savoir coder et maitriser les bases du Machine Learning étaient des prérequis à la formation, mais non maitrisés par les autres participants, nous avons passé 1 journée à revoir ces notions, un peu dommage..." Ce que j'ai le plus apprécié : "Bonne répartition des temps de cours / TP + bonne communication entre le prof et les élèves" »
RG « Mon avis sur le formateur : "Yaroub est un très bon formateur qui sait s'adapter aux différents profils présents à la formation. Disponible, pédagogue, il a su faire vivre le cours et le rendre très intéressant durant ces 3 jours." Ce que j'ai le moins apprécié : "Machine virtuelle un peu compliquée à faire fonctionner (installation et chargement des fichiers)" »
RNSCALIAN DS
Les avis figurant ci-dessus sont issus des fiches d’évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.
Formations liées
- Deep Learning avec PyTorchRéf. DLPT3 joursFondamentalProchaine session : 19 oct.2 090 €
- TensorFlow : Analyse d'images avec TensorFlowRéf. AITF3 joursIntermédiaire
- TinyML : Introduction au Machine Learning EmbarquéRéf. TINY3 joursIntermédiaireProchaine session : 19 oct.2 090 €
- Machine Learning : État de l'art et bonnes pratiquesRéf. OMLE2 joursIntermédiaireProchaine session : 16 nov.1 790 €