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 :

• Créer un modèle dense simple pour la classification d'images

Points clés & takeaways :

• Compréhension de la structure d'un modèle de Deep Learning
• Première maîtrise du workflow TensorFlow / Keras

Jour 2 – Préparation des données et entraînement des modèles

Session du matin :

• Préparation des datasets : normalisation et preprocessing
• Jeux de données : entraînement, validation, test
• Fonctions d'activation et fonctions de perte

Session de l'après-midi :

• Entraînement d'un réseau neuronal simple
• Visualisation et interprétation des performances
• Introduction au surapprentissage (overfitting)

TP / Exercice :

• Préparer un dataset complet et entraîner un modèle avec analyse des performances

Points clés & takeaways :

• Maîtriser les étapes de préparation des données
• Comprendre l'impact des paramètres d'entraînement

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

Session du matin :

• Comprendre les réseaux convolutifs (CNN)
• Convolutions et pooling : principes fondamentaux
• Construction d'un CNN avec Keras

Session de l'après-midi :

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

TP / Exercice :

• Développer et entraîner un CNN simple pour classifier un dataset (ex. MNIST)

Points clés & takeaways :

• Comprendre la logique des réseaux convolutifs
• 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

• Alternance d'apports théoriques et de mises en pratique contextualisées.
• Progression pédagogique structurée, de la compréhension à la mise en œuvre opérationnelle.
• Pédagogie immersive favorisant une mise en application immédiate des compétences.
• Formation interactive et participative s'appuyant sur des ateliers pratiques, études de cas et échanges collectifs (+ 60 % du temps de formation.)
• Séquences pédagogiques rythmées et évaluations formatives régulières pour renforcer l'ancrage des apprentissages.
• Supports de cours, ressources documentaires et références mis à disposition par le formateur

En amont de la formation (évaluation en ligne dans l'extranet apprenant)

• Recueil des besoins et des attentes des participants.
• Auto-positionnement permettant d'évaluer le niveau initial des apprenants.

Tout au long de la formation

• Évaluations continues réalisées par le formateur travers des questions orales, exercices, QCM, études de cas et mises en situation pratiques.
  
  

À l'issue de la formation (évaluations en ligne dans l'extranet apprenant)

• Auto-positionnement afin de mesurer l'acquisition des compétences visées.
• Validation de l'acquisition des compétences par le formateur
• Questionnaire de satisfaction « à chaud » à l'issue de la formation
• Questionnaire de satisfaction "à froid", 45 jours après la formation afin d'évaluer l'ancrage des acquis et leur mise en application en situation professionnelle.

• Admission sans disposition particulière