Deep learning – Perfectionnement

OBJECTIFS :

• Connaître les principes fondamentaux du Deep learning
• Comprendre ses atouts et évaluer ses perspectives d’évolution
• Savoir utiliser les bibliothèques de Deep learning
• Maîtriser les spécificités et le fonctionnement des réseaux de neurones
• Être en mesure de créer et gérer des réseaux de neurones profonds

PROGRAMME DE FORMATION :

Ecrire des modèles de Deep Learning avec le framework Keras ?

• Application du Deep Learning aux images
• Comprendre les modèles de l’état de l’art : Res-Net, Squeeze-Net, U-Net, R-CNN

Application:

• Comment aller plus loin que la classification classique ?
• Découvrir des images dans des images (semantic segmentation)

Découvrir les Auto-encoder

• Modèles génératifs
• Quelles sont les applications ?
• Démonstrations
• Application du Deep Learning aux documents textes

Comment augmenter les performances du Deep Learning ?

• Méthode de transfert learning
• Apprendre à ré-utiliser les meilleurs modèles
• Exemple et exercices guidés

Comment accélérer la phase d’entraînement des modèles de Deep Learning ?

• Le Deep Learning sur des processeurs graphiques (GPU)
• Pourquoi ?
• Exercice guidé à l’aide de plateformes de cloud computing

Aller plus loin avec le Deep Learning

INFORMATIONS COMPLÉMENTAIRES :

PUBLIC VISÉ

• Ingénieurs
• Data scientist
• Développeurs
• Développeurs internet
• Analystes BI
• Chargés d’études

PRÉ-REQUIS

• Connaissances de base en programmation
• Bonne maîtrise des outils informatiques et statistiques

RESSOURCES

• Supports pédagogiques
• 30% de théorie
• 70% de pratique

MODALITÉS D’ACCÈS

• Présentiel
• A distance
• Interentreprises
• Intra-entreprise

MÉTHODES PÉDAGOGIQUES

• Apport magistral et interactivité
• Travaux pratiques

ÉVALUATION

• Exercices pratiques
• Mise en situation