Apprentissage automatique et apprentissage profond :
Pourquoi le ML est-il toujours à la pointe (forêts aléatoires et XGBoost) ?
Concepts fondamentaux d'un réseau de neurones
Rappel de base en mathématiques.
réseau neuronal:
Architectures, fonctions d'activation et poids d'activation précédents...
Formation d'un réseau de neurones :
Fonctions de coût, rétropropagation, descente de gradient stochastique...
Modélisation d'un réseau de neurones :
Modélisation des données d'entrée et de sortie selon le type de problème. Comprendre les fonctions avec les réseaux de neurones. Comprendre les distributions avec les réseaux de neurones. Croissance des données :
Comment équilibrer le jeu de données ?
Généralisation des résultats des réseaux de neurones. Initialisation et régularisation du réseau de neurones :
Régularisation 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 donnée : Apache Spark, Apache Hadoop.
Applications de génération d'images ou de photographies, génération de texte, super résolution.
Démonstration : Applications des modèles générationnels et utilisation de l'espace latent.
Deep Reinforcement Learning
Reinforcement Learning.
Utilisation d'un réseau de neurones pour appréhender la fonction d'état.
Deep Q Learning : experience replay et application au contrôle d'un jeu vidéo.
Optimisations de la politique d'apprentissage. On-policy et off- policy. Actor critic architecture. A3C.
Applications : contrôle d'un jeu vidéo simple ou d'un système numérique.
Démonstration : Contrôle d'un agent dans un environnement défini par un état et des actions possibles.
Modalités pédagogiques
Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :
Formation en présentiel
En groupe (inter-entreprises ou intra-entreprise)
En individuel (monitorat)
En journée ou en cours du soir (sur demande spécifique)
Formation en distanciel
Distanciel synchrone
Distanciel asynchrone
Prérequis
Avoir des bases en programmation et une bonne maîtrise des outils informatiques et statistiques,
Connaitre les bases du Machine Learning est recommandé.
Moyens et supports pédagogiques
· Apports des connaissances communes.
· Mises en situation sur le thème de la formation et des cas concrets.
· Méthodologie d'apprentissage attractive, interactive et participative.
· Equilibre théorie / pratique : 60 % / 40 %.
· Supports de cours fournis au format papier et/ou numérique.
· Ressources documentaires en ligne et références mises à disposition par le formateur.
· Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).
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
· Évaluation 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.