Deep Learning | les fondamentaux Mixte : présentiel / à distance

Dernière mise à jour : 16/04/2024

Bannière visuelle de présentation de la formation

Informations éligibilité financement Actions Collectives

Formation pouvant être prise en charge à 100% dans le cadre des Actions Collectives.

 

Pour en bénéficier, contactez-nous à hello.institute@docaposte.fr et complétez votre inscription sur campusAtlas. 

https://www.docaposteinstitute.com/wp-content/uploads/2023/08/Eligible-actions-co-1.png

Objectifs

  • Comprendre les concepts de Machine Learning et l'√©volution vers le Deep Learning (r√©seaux de neurones profonds)
  • Connaitre les briques de base du Deep Learning : r√©seaux de neurones simples, convolutifs et r√©cursifs
  • Appr√©hender les mod√®les plus avanc√©s : auto-encodeurs, gans, apprentissage par renforcement
  • Appr√©hender les bases th√©oriques et pratiques d'architecture et de convergence de r√©seaux de neurones
  • Comprendre les m√©thodologies de mise en place de r√©seaux de neurones, les points forts et les limites de ces outils

Programme

Introduction IA, Machine Learning et Deep Learning

  • L'histoire, les concepts de base et les applications de l'intelligence artificielle sont loin des fantasmes du domaine.
  • Intelligence collective:
  • Connaissances agr√©g√©es partag√©es par de nombreux agents virtuels.
  • Algorithme g√©n√©tique:
  • D√©velopper une population d'agents virtuels par s√©lection.
  • Apprentissage automatique normal :
  • sens.
  • Type de t√Ęche : Apprentissage supervis√©, apprentissage non supervis√©, apprentissage par renforcement.
  • Type d'action: Classification, r√©gression, clustering, estimation de densit√©, r√©duction de dimensionnalit√©.
  • Exemples d'algorithmes d'apprentissage automatique :
  • R√©gression lin√©aire, Bayes na√Įf, Arbres al√©atoires.
  • Apprentissage automatique et apprentissage profond :
  • Pourquoi le ML est-il toujours √† la pointe (for√™ts al√©atoires et XGBoost) ?

 

Concepts fondamentaux d'un réseau de neurones

  • Rappel de base en math√©matiques.
  • r√©seau neuronal:
  • Architectures, fonctions d'activation et poids d'activation pr√©c√©dents...
  • Formation d'un r√©seau de neurones :
  • Fonctions de co√Ľt, r√©tropropagation, descente de gradient stochastique...
  • Mod√©lisation d'un r√©seau de neurones :
  • Mod√©lisation des donn√©es d'entr√©e et de sortie selon le type de probl√®me. Comprendre les fonctions avec les r√©seaux de neurones. Comprendre les distributions avec les r√©seaux de neurones. Croissance des donn√©es :
  • Comment √©quilibrer le jeu de donn√©es ?
  • G√©n√©ralisation des r√©sultats des r√©seaux de neurones. Initialisation et r√©gularisation du r√©seau de neurones :
  • R√©gularisation L1/L2, normalisation batch.
  • Algorithmes d'optimisation et de convergence.

Démonstration : Fonctions d'ajustement et distributions à l'aide de réseaux de neurones.

 

Outils usuels Machine Learning et Deep Learning

  • Outils de gestion de donn√©e : Apache Spark, Apache Hadoop.
  • Outils Machine Learning usuel : Numpy, Scipy, Sci-kit.
  • Frameworks DL haut niveau : PyTorch, Keras, Lasagne.
  • Frameworks DL bas niveau : Theano, Torch, Caffe, Tensorflow. D√©monstration
  • Applications et limites des outils pr√©sent√©s.

 

Convolutional Neural Networks (CNN)

  • Principes fondamentaux et applications.
  • Fonctionnement fondamental d'un CNN : couche convolutionnelle, utilisation d'un kernel, padding et stride...
  • Architectures CNN ayant port√© l'√©tat de l'art en classification d'images : LeNet, VGG Networks, Network in Network...
  • Utilisation d'un mod√®le d'attention.
  • Application √† un cas de figure de classification usuel (texte ou image).
  • CNNs pour la g√©n√©ration : super-r√©solution, segmentation pixel √† pixel.
  • Principales strat√©gies d'augmentation des Feature Maps pour la g√©n√©ration d'une image.

 Etude de cas : Innovations apportées par chaque architecture CNN et leurs applications plus globales (convolution 1x1 ou connexions résiduelles).

 

Recurrent Neural Networks (RNN)

  • Pr√©sentation des RNNs : principes fondamentaux et applications.
  • Caract√©ristiques de base des RNN : activations cach√©es, r√©tropropagation dans le temps, versions d√©pli√©es.
  • D√©veloppement pour GRU (Gated Recurrent Units) et LSTM (Long Short Term Memory).
  • Probl√®mes de convergence et gradients de fuite.
  • Types d'architecture classique : pr√©vision de s√©ries temporelles, classification... Architecture codeur-d√©codeur RNN. Utilisation de mod√®les en vedette.
  • Applications NLP¬†: encodage de mots/caract√®res, traduction.
  • Application NLP :¬†pr√©diction de la prochaine image g√©n√©r√©e d'une s√©quence vid√©o.

Démonstration : Différents états et évolutions apportées par les architectures Gated Recurrent Units et Long Short Term Memory.

 

 

Modèles générationnels : VAE et GAN

  • Pr√©sentation des mod√®les g√©n√©rationnels Variational AutoEncoder (VAE) et Generative Adversarial Networks (GAN).
  • Auto-encoder : r√©duction de dimensionnalit√© et g√©n√©ration limit√©e.
  • Variational AutoEncoder : mod√®le g√©n√©rationnel et approximation de la distribution d'une donn√©e.
  • D√©finition et utilisation de l'espace latent. Reparameterization trick.
  • Fondamentaux du Generative Adversarial Networks. Convergence d'un GAN et difficult√©s rencontr√©es.
  • Convergence am√©lior√©e : Wasserstein GAN, BeGAN. Earth Moving Distance.
  • Applications de g√©n√©ration d'images ou de photographies, g√©n√©ration de texte, super r√©solution.

Démonstration : Applications des modèles générationnels et utilisation de l'espace latent.

Deep Reinforcement Learning

  • Reinforcement Learning.
  • Utilisation d'un r√©seau de neurones pour appr√©hender la fonction d'√©tat.
  • Deep Q Learning : experience replay et application au contr√īle d'un jeu vid√©o.
  • Optimisations de la politique d'apprentissage. On-policy et off- policy. Actor critic architecture. A3C.
  • Applications : contr√īle d'un jeu vid√©o simple ou d'un syst√®me num√©rique.

D√©monstration¬†: Contr√īle d'un agent dans un environnement d√©fini par un √©tat et des actions possibles.

Modalités pédagogiques

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

 

  • Formation en pr√©sentiel
    • En groupe (inter-entreprises ou intra-entreprise)
    • En individuel (monitorat)
    • En journ√©e ou en cours du soir (sur demande sp√©cifique)
  • Formation en distanciel
    • Distanciel synchrone
    • Distanciel asynchrone

 

 

Prérequis

  • Avoir des bases en programmation et une bonne ma√ģtrise des outils informatiques et statistiques,
  • Connaitre les bases du Machine Learning est recommand√©.

Moyens et supports pédagogiques

  • ¬∑¬†¬†¬†¬†¬†¬† Apports¬†des connaissances communes.
  • ¬∑¬†¬†¬†¬†¬†¬† Mises en situation sur le th√®me de la formation¬†et des cas concrets.
  • ¬∑¬†¬†¬†¬†¬†¬† M√©thodologie d'apprentissage attractive, interactive et participative.
  • ¬∑¬†¬†¬†¬†¬†¬† Equilibre th√©orie / pratique : 60 % / 40 %.
  • ¬∑¬†¬†¬†¬†¬†¬† Supports de cours fournis au format papier et/ou num√©rique.
  • ¬∑¬†¬†¬†¬†¬†¬† Ressources documentaires en ligne et r√©f√©rences mises √† disposition par le formateur.
  • ¬∑¬†¬†¬†¬†¬†¬† Pour les formations en pr√©sentiel dans les locaux mis¬†√† disposition, les apprenants¬†sont accueillis dans une salle de cours √©quip√©e d'un r√©seau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropri√©s est mis √† disposition (le cas √©ch√©ant).
  • ¬†

Modalités d'évaluation et de suivi

En amont de la formation

·       Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).

·       Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation

¬∑¬†¬†¬†¬†¬†¬† √Čvaluation continue des acquis avec¬†des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation

·       Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.

·       Evaluation par le formateur des compétences acquises par les apprenants.

·       Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.

·       Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.

Accessibilité

Nos formations peuvent être adaptées à certaines conditions de handicap. Nous contacter pour toute information et demande spécifique.

M'inscrire à la formation

Valider la pré-inscription
Inscription possible jusqu'à 10 jours avant démarrage formation

Prochaines Sessions

  • D√©sol√©, cette formation n'est pas programm√©e pour le moment.

    Si vous êtes responsable formation, vous pouvez faire une requête pour l'organiser en INTRA dans votre entreprise.

Dans la même catégorie

Catalogue de formation propulsé par Dendreo,
Plateforme dédiée pour les OF