Formateur Ziggourat

Découverte des réseaux neuronaux et du Deep Learning

Cette formation vise à donner aux apprenants une compréhension solide des réseaux neuronaux artificiels et du Deep Learning. Les participants apprendront comment ces systèmes fonctionnent, comment ils peuvent être utilisés et optimisés, et comment ils s'inscrivent dans le paysage plus large de l'intelligence artificielle et du Machine Learning. La formation couvrira également les différentes architectures de réseaux neuronaux, y compris les réseaux neuronaux à convolution (CNN), les réseaux neuronaux récurrents (RNN) et les Long Short Term Memory (LSTM). Les participants auront l'occasion de mettre en pratique leurs connaissances en utilisant Python pour construire, entraîner et optimiser leurs propres modèles de Deep Learning. Ils seront également initiés aux outils TensorFlow et Keras, qui sont largement utilisés dans le domaine du Deep Learning.

14 heures sur 2 jours

à Paris & à distance
(Zoom, Google Meet, etc.).
Nous nous engageons à vous répondre dans un délai de 48h

1 500 € HT / personne

Etudions ensemble vos options de financement
Contactez-nous pour monter votre dossier !

Engagement qualité

8 stagiaires maximum par session.
Découvrez les autres engagements qualité qui font la marque de Ziggourat Formation

Objectifs de la formation

Découverte des réseaux neuronaux et du Deep Learning

Comprendre le fonctionnement des réseaux neuronaux artificiels
Apprendre à utiliser et optimiser des modèles de Deep Learning en Python
Découvrir les différentes architectures de réseaux neuronaux (CNN, RNN, LSTM)
Apprendre à gérer le processus d'apprentissage (rétropropagation, optimisation, régularisation)
Se familiariser avec les outils TensorFlow et Keras pour la construction et l'entraînement de réseaux neuronaux

Pré-requis

Bonne connaissance et pratique des fondamentaux de Python et de Numpy Connaissances des principaux concepts de la Data Science Notions sur l'entraînement d'un modèle de Machine Learning

Pour qui ?

Cette formation est destinée à toute personne intéressée par le Deep Learning et les réseaux neuronaux, qu'elle soit novice ou déjà familiarisée avec ces concepts. Elle sera particulièrement utile aux professionnels de la data science, aux ingénieurs en Machine Learning, aux chercheurs en intelligence artificielle et à toute personne souhaitant développer des compétences en Deep Learning en utilisant Python.

Avoir suivi

Aucun programme supplémentaire n'est requis pour suivre cette formation.

Au programme

Introduction aux concepts fondamentaux

  • Introduction au Machine Learning et à l'Intelligence Artificielle
  • Présentation du Deep Learning et sa place dans l'IA
  • Rappels sur la méthodologie d'entraînement d'un modèle de Machine Learning

Réseaux neuronaux simples

  • Fonctionnement d'un neurone artificiel (regression linéaire, fonction d'activation)
  • L'architecture d'un réseau neuronal feed-forward

Architectures de réseaux neuronaux

  • Les réseaux neuronaux à convolution (CNN)
  • Les réseaux neuronaux récurrents (RNN) et Long Short Term Memory (LSTM)
  • Apprentissage non supervisé avec les auto-encodeurs
  • Apprentissage par renforcement

Processus d'apprentissage

  • Rétropropagation et optimisation
  • Fonctions de coût
  • Batch, epoch et iteration
  • Overfitting : techniques de régularisation (dropout)

Pratique : Implémentation et fine-tunning d'un réseau de neurones avec Scikit-learn

Introduction à TensorFlow et Keras

  • Présentation de TensorFlow : graphes, sessions, tensors
  • Introduction à Keras et son intégration avec TensorFlow

Fonctions de base de Keras

  • Construction d'un réseau neuronal avec Keras : modèle, couches, compilation
  • Entraînement du modèle : ajustement, évaluation, prédiction
  • Optimisation du modèle : sélection des paramètres, validation croisée

Pratique : Implémentation d'un réseau convolutionnel avec Keras

Problématiques usuelles en Deep Learning

  • Augmentation de données (transformations, smote)
  • Transfer learning (gel des poids, portion de structure)
  • Interprétabilité du modèle et des résultats

Pratique : Fine-tuner un modèle à partir de VGG16 pour la détection d'images

Applications et tendances du Deep Learning

  • Applications courantes du Deep Learning : reconnaissance d'images, NLP, recommandations
  • Limites et risques du Deep Learning (biais, sécurité)
  • Perspectives et tendances futures (modèles génératifs, modèles autonomes)

Méthode pédagogique

8 participants maximum, un poste par stagiaire et un support de cours est remis en fin de stage. La formation est constituée d'apports théoriques, de démonstrations et de mises en pratique basées sur des exercices (méthode démonstrative).

Accessibilité

Cette formation est accessible aux personnes en situation de handicap.

Modalité de validation des acquis

Évaluation continue des connaissances via des exercices et/ou ateliers et des acquis via un questionnaire en fin de formation. Attestation de fin de stage (certificat de réalisation). Émargement quotidien d'une feuille de présence.

Obtenir des informations

sur une prochaine session
Voir d'autres avis
du 03 juin au 04 juin 2024
1500 €
Disponibilité Été
du 26 août au 27 août 2024
1500 €
Disponibilité Été
du 18 Nov au 19 Nov 2024
1500 €
Disponibilité Automne
du 10 févr au 11 févr 2025
1500 €
Disponibilité Hiver
du 05 mai au 06 mai 2025
1500 €
Disponibilité Printemps
Voir d'autres avis
Demander le programme
S'inscrire directement

Responsable de formation

Participants

Participant
retirer ce participant
Ajouter un participant

Financement

Comment souhaitez-vous financer cette formation ?


Modalités

Souhaitez-vous du distanciel ou du présentiel ?



Envoyer l'inscription
Merci, un conseiller vous contacte rapidement !
deco validation Ziggourat
J’accepte que Ziggourat collecte et utilise les données personnelles renseignées dans ce formulaire dans le but de recevoir une offre commerciale en accord avec notre politique de données personnelles.

Formations similaires

Ces formations pourraient vous intéresser

Voir d'autres formations
Voir d'autres formations