Deep learning

Objectifs

Introduire au Deep Learning

Décortiquer l'architecture des réseaux Neuronaux

Expliquer l'entraînement et l'optimisation des réseaux

Découvrir la vision par ordinateur et aux réseaux Convolutifs

Explorer le traitement du langage naturel et les réseaux récurrents

Découvrir les applications et les évolutions du Deep Learning

Programme de la formation

Introduire au Deep Learning

- Comprendre les bases du deep learning et son importance

- Différencier le deep learning de l'apprentissage machine traditionnel

- Explorer les domaines d'application du deep learning

- Présenter les principaux concepts des réseaux neuronaux artificiels

- Découvrir l'inspiration biologique derrière le deep learning

Décortiquer l'architecture des réseaux Neuronaux

- Décortiquer la structure d'un réseau neuronal

- Comprendre les rôles des couches d'entrée, cachées et de sortie

- Expliquer les fonctions d'activation et leur impact sur les prédictions

- Présenter les différents types de réseaux neuronaux (feedforward, récurrents, convolutifs, etc.)

- Étudier les architectures profondes et leurs avantages

- Approfondir la théorie derrière le terme "profond" dans le deep learning

Expliquer l'entraînement et l'optimisation des réseaux

- Expliquer le processus d'entraînement d'un réseau neuronal

- Présenter la rétropropagation du gradient comme méthode d'optimisation

- Comprendre les fonctions de perte et les métriques d'évaluation

- Examiner les techniques d'optimisation (descente de gradient, Adam, RMSprop, etc.)

- Aborder le surapprentissage et les stratégies pour le gérer

- Appliquer des techniques d'augmentation de données pour améliorer l'entraînement

Découvrir la vision par ordinateur et aux réseaux Convolutifs

- Introduire la vision par ordinateur et son lien avec le deep learning

- Expliquer l'architecture des réseaux neuronaux convolutifs (CNN)

- Présenter les couches de convolution, de pooling et de mise en commun

- Examiner les applications avancées telles que la détection d'objets et la segmentation

- Aborder les architectures pré-entraînées et le transfert d'apprentissage

Explorer le traitement du langage naturel et les réseaux récurrents

- Explorer le traitement du langage naturel (NLP) dans le contexte du deep learning

- Introduire les réseaux neuronaux récurrents (RNN) et leur architecture

- Présenter les cellules LSTM et GRU pour capturer les dépendances temporelles

- Utiliser les RNN pour des tâches telles que la génération de texte et la traduction

- Aborder les défis spécifiques du NLP tels que l'encodage des mots

- Examiner les modèles de langage pré-entraînés et les transformateurs

Découvrir les applications et les évolutions du Deep Learning

- Découvrir les applications réelles du deep learning dans différents domaines

- Examiner l'impact du deep learning sur la médecine, l'automatisation, les jeux, etc.

- Introduire les avancées récentes telles que le GAN et l'apprentissage par renforcement

- Étudier les implications éthiques et sociales du deep learning

- Explorer les tendances futures du deep learning et ses domaines émergents

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique