Formation Deep Learning avec TensorFlow et Keras Mixte : présentiel / à distance

• Comprendre les concepts fondamentaux du Deep Learning
• Identifier les composants essentiels d'un modèle TensorFlow/Keras
• Découvrir les étapes de préparation des données
• Comprendre comment entraîner, évaluer et ajuster un modèle simple

• Débutants souhaitant s'initier au Deep Learning
• Étudiants, développeurs ou analystes découvrant l'IA
• Professionnels souhaitant comprendre les bases avant d'aller vers des niveaux avancés

• Ordinateur avec Python installé
• Environnement TensorFlow/Keras fonctionnel
• Jupyter Notebook ou IDE Python
• Accès aux datasets d'entraînement pour les TP

Jour 1 - Introduction au Deep Learning et prise en main de TensorFlow/Keras

Session du matin :

• Comprendre les bases de l'IA, du Machine Learning et du Deep Learning
• Notion de neurone artificiel et architecture de réseau
• Introduction à TensorFlow et Keras

Session de l'après-midi :

• Prise en main de l'environnement Keras
• Découverte des layers, modèles séquentiels et API simple
• Construction d'un premier réseau neuronal basique

TP / Exercice :

Création d'un petit modèle dense pour la classification d'images simples

Points clés & takeaways :

• Compréhension de la structure d'un modèle
• Première exposition au workflow Deep Learning

Jour 2 - Préparation des données et entraînement des modèles

Session du matin :

• Comprendre les datasets, normalisation et preprocessings
• Jeux de données : entraînement, validation, test
• Fonctions d'activation et pertes principales

Session de l'après-midi :

• Entraîner un réseau neuronal simple
• Visualisation et interprétation des courbes de performance
• Introduction au surapprentissage (overfitting)

TP / Exercice :
Préparation d'un dataset complet et entraînement d'un modèle avec analyse des performances

Points clés & takeaways :

• Savoir préparer les données
• Comprendre l'impact des paramètres d'entraînement

Jour 3 - Construction d'un modèle CNN simple et amélioration des performances

Session du matin :

• Comprendre les réseaux convolutifs (CNN)
• Découverte des convolutions et pooling
• Utilisation de Keras pour construire un CNN basique

Session de l'après-midi :

• Entraînement d'un CNN simple sur un dataset d'images
• Ajustement des performances: batch size, epochs, learning rate
• Exportation et sauvegarde d'un modèle

TP / Exercice :
Développer, entraîner et améliorer un CNN simple pour classifier un dataset standard (ex. MNIST)

Points clés & takeaways :

• Comprendre la logique d'un réseau convolutif
• Capacité à entraîner un premier modèle exploitable

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

• 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).

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.

• Admission sans disposition particulière