Présentation

L’apprentissage en profondeur (Deep Learning) a désormais atteint une maturité et un niveau d’efficacité si impressionnant qu’il peut être appliqué efficacement à presque tous les domaines. 

Si maîtriser le Deep Learning, pour un ingénieur en informatique, un data scientist, un analyste ou un statisticien est impératif, c’est aussi un avantage non négligeable pour tous ceux qui travaillent là où le Deep Learning s’applique (agronomie, défense, médecine, économie, banque, assurances, …)

L’objectif de cette formation, sans cesse renouvelée, dont une partie a déjà été présentée de nombreuses fois à des publics variés, est de vous expliquer les concepts, les outils et les méthodes dont vous avez besoin pour développer des logiciels capables d’apprendre à partir de données.

Public visé et pré-requis

Cette formation ne requiert aucune connaissance préalable de l’apprentissage automatique. Il faut par contre savoir « un peu » programmer car nous coderons plusieurs notebooks, en Python, avec l’aide de Sckit-Learn, TensorFlow, Keras, HuggingFace.

Programme de la formation (sur 3 jours)

Les packages Python du Data Scientist 

• Matplotlib
• Seaborn
• Pandas
• NumPy
• SckitLearn 

L’environnement de Développement 

• Google Colab 
• Anaconda
• Google Cloud/Azure/AWS/… 

Introduction à l’Intelligence Artificielle 

• L’apprentissage supervisé: (architecture, poids, fonction de coût, métriques, pas d’apprentissage, …)
• La régression linéaire 
• La descente du Gradient 
• Les réseaux de Neurones 

Méthodologie de l’Apprentissage Automatique 

Les frameworks de Deep Learning TensorFlow

• Keras
• PyTorch/Fastai 
• MXNet, CNTK, Gluon … 

Vision & Deep Learning 

• MNIST avec et sans CNN
• Data Augmentation 
• ImageDataGenerator 

Transfert d’Apprentissage

Programmation avec TensorFlow – l’éco-système 

• Programmation symbolique
• Modèle séquentiel
• Programmation symbolique
• Modèle fonctionnel
• Programmation impérative (Model subclassing) 
• Keras 
• SavedModel 
• TensorFlow Hub
• TensorFlow Extended (TFX) 

Le Traitement du Langage Naturel (HuggingFace)

• Embeddings 
• RNN, LSTM 
• Transformers
• Les Large Language Models
• Foundation Models

IA sur terminaux légers 

• TensorFlow Lite
• TensorFlow JS 

Méthodes pédagogiques 

L’approche est Top Down. Les concepts sont illustrés systématiquement par du code. Au moins 50% du temps est consacré à la programmation d’exercices de Deep Learning.

Validation 

À la fin de la session, un questionnaire à choix multiple permettra de vérifier l’acquisition correcte des compétences. 

Sanction

Une attestation sera remise à chaque stagiaire qui aura suivi la totalité́ de la formation. 

Formateur

• Jackie BOSCHER
• Expert en IA
• Formateur en Intelligence Artificielle dans de nombreuses écoles d’ingénieurs
• Consultant IA auprès de R&D
• 3ème cycle en Intelligence Artificielle et en Traitement d’Images 
• 3ème cycle en Informatique
• TensorFlow Certificate Holder