Nous utilisons des cookies pour vous fournir l'ensemble de nos services, notamment la recherche et les alertes. En acceptant, vous consentez à notre utilisation de ces cookies.
Choisir mes préférences
.png&w=3840&q=75)
- Deep learning - niveau expert : data science avec pytorch et tensorflow
.png&w=256&q=75)
Deep learning - niveau expert : data science avec pytorch et tensorflow
Objectifs
Programme
- Comprendre et maîtriser les concepts fondamentaux de la science des données, du Deep Learning et des réseaux de neurones
- Savoir utiliser et manipuler les outils de développement dédiés au Deep Learning tels que PyTorch, Keras et TensorFlow
- Être capable de créer, entraîner et optimiser des réseaux de neurones pour des applications spécifiques
- Appliquer les compétences acquises en Deep Learning au traitement du langage naturel et à la vision par ordinateur
- Consolider les connaissances et compétences acquises en situation de travail grâce à un accompagnement post-formation.
1. INTRODUCTION À LA FORMATION
- Présentation du programme de formation
- Contextualisation du projet de l'apprenant et définition des objectifs personnels
- Introduction aux concepts fondamentaux de la science des données et de l'apprentissage automatique
- Accès à des vidéos de mise en situation et un chat interactif pour des échanges en temps réel
2. DEEP LEARNING ET RÉSEAUX DE NEURONES
- Compréhension de l'intelligence artificielle, du Machine Learning et du Deep Learning
- Introduction aux réseaux de neurones : fonctionnement, types et applications
- Modélisation de réseaux de neurones : structure, paramètres et fonctionnement
- Gestion de projets de Deep Learning : planification, mise en œuvre et évaluation
3. OUTILS DE DÉVELOPPEMENT
- Introduction à PyTorch : installation, configuration et utilisation
- Introduction à TensorFlow : installation, configuration et utilisation
- Travaux pratiques sur la conception de Convolutional Neural Networks (CNN) avec PyTorch et TensorFlow
4. RÉSEAUX DE NEURONES RÉCURRENTS ET DEEP REINFORCEMENT LEARNING
- Comprendre les réseaux de neurones récurrents (RNN) : structure, fonctionnement et applications
- Introduction au Deep Reinforcement Learning : concepts, avantages et utilisations
- Travaux pratiques sur l'utilisation de RNN et Deep Reinforcement Learning pour résoudre des problèmes complexes
5. APPLICATIONS AVANCÉES DU DEEP LEARNING
- Comprendre et mettre en œuvre les auto-encodeurs
- Introduction aux deepfakes : création, détection et implications éthiques
- Travaux pratiques sur l'application des techniques avancées de Deep Learning
6. TRANSFER LEARNING ET SEGMENTATION SÉMANTIQUE
- Introduction au Transfer Learning : concepts, avantages et utilisations
- Comprendre la segmentation sémantique : techniques, applications et défis
- Travaux pratiques sur l'application du Transfer Learning et de la segmentation sémantique dans des scénarios réels
7. DÉTECTION D'OBJETS ET NLP AVEC PYTORCH
- Introduction à la détection d'objets : technologie, techniques et applications
- Comprendre le traitement du langage naturel (NLP) et son importance dans les données non structurées
- Travaux pratiques sur l'utilisation de PyTorch pour la détection d'objets et le NLP
8. UTILISATION DES TRANSFORMERS POUR LE TRAITEMENT DU LANGAGE NATUREL
- Introduction aux Transformers : concepts, avantages et utilisations
- Travaux pratiques sur l'utilisation des Transformers pour le traitement du langage naturel avec PyTorch et TensorFlow
9. POUR ALLER PLUS LOIN
- Discussion sur les possibilités d'application des connaissances acquises dans différents domaines
- Accès à des ressources supplémentaires et conférences pour consolider les acquis
Public visé
Cette formation s'adresse principalement à des profils techniques cherchant à se spécialiser ou à parfaire leurs compétences dans le domaine du Deep Learning. Les concepteurs-développeurs en machine learning, les data scientists et les ingénieurs en intelligence artificielle trouveront dans ce programme une opportunité d'approfondir leurs connaissances et de maîtriser l'utilisation de PyTorch et TensorFlow. Les architectes techniques, chefs de projet et ingénieurs Big Data, qui souhaitent comprendre et exploiter le potentiel des réseaux de neurones, y trouveront également leur compte. Enfin, cette formation est également ouverte aux développeurs, désireux d'élargir leur palette de compétences et de s'initier à l'apprentissage automatique. Elle s'adresse donc à un public déjà aguerri, mais désireux d'évoluer ou de se reconvertir dans un secteur en pleine expansion.
Prérequis
Avoir une bonne maîtrise des outils informatiques et statistiques
Posséder des connaissances de base en programmation
Avoir une connaissance en Python et en Machine Learning est fortement recommandé
Être familiarisé avec la modélisation classique, comme la classification et la régression
Être muni d'un ordinateur relié à Internet, possédant une caméra, un micro et un haut parleur
Méthodes pédagogiques
L’approche pédagogique a été construite sur l’interactivité et la personnalisation : Présentation illustrée et animée par le Formateur Expert, partage d’expériences, études de cas, mise en situation réelle.
Tous les supports sont fournis par support papier, mail ou clé USB à chaque stagiaire.
Méthodologie pédagogique employée :
Chaque formation en présentiel ou en distanciel est animée par un Formateur Expert Métier sélectionné selon ses compétences et expériences professionnelles. Apport d’expertise du Formateur, quiz en début et fin de formation, cas pratiques, échanges d’expérience. Accès en ligne au support de formation.
Modalités d'évaluation
Méthodes utilisées et évaluation :
Evaluation et positionnement lors de la définition du projet pédagogique avec le(s) stagiaire(s). Un QCM est donné aux stagiaires le dernier jour de la formation pour valider leurs apprentissages. Une correction collective est effectuée par le Formateur. Une évaluation de fin de stage en direct est organisée entre le Formateur et le(s) stagiaire(s) pour recueillir et prendre en compte leurs appréciations. Une attestation de fin de stage est remise aux stagiaires.
Autres formation Deep learning - niveau expert : data science avec pytorch et tensorflow
Sessions à la demande
Voir les formations de la même catégorieAutres formations disponibles :