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
