Numérique & IA

Deep Learning : Découvrir les réseaux neuronaux

Proposée par Machine learning lab - formations et conseil en intelligence artificielle · certifié Qualiopi

Durée
1 jour
Lieu
Paris
Format
Hybride
Niveau
Débutant

Ce que vous allez apprendre

Plongez dans l'univers des réseaux neuronaux sans prérequis mathématique avancé. Cette formation pratique vous permet d'expérimenter avec TensorFlow et PyTorch, en direct avec un formateur expert.

À l'issue de la formation, vous serez capable de

  • Comprendre les bases des réseaux neuronaux via une démonstration interactive sans code
  • Approfondir le fonctionnement des neurones artificiels, des fonctions d'activation et des couches
  • Expérimenter avec différentes architectures neuronales et mesurer les performances des modèles
Lire la suite
  • Comprendre les hyperparamètres du machine learning et leur impact sur l'entraînement
  • Réaliser un exercice de classification d'images avec plusieurs frameworks
  • Démystifier les outils et choisir les technologies adaptées à un projet de machine learning

Programme

Comprendre les bases du machine learning

  • Découvrir le machine learning à travers un exemple de classification d'images (no code)
  • Dataset de Train vs Test
  • Comment calculer l'erreur dans un modèle de machine learning de classification
  • L'importance du dataset
  • La compréhension de l'algorithme de machine learning et le choix de la fonction de perte
  • L'architecture neuronale et son impact sur le modèle
  • Les hyperparamètres d'un modèle de machine learning
  • Le transfert d'apprentissage
  • Le choix du framework ou de la librairie
  • Le choix de l'infrastructure pour entraîner un modèle de machine learning

Entraîner un modèle de classification d'images avec TensorFlow

  • Présentation du challenge
  • Dataset Mnist
  • Entraînement du modèle sur Google Colab
  • Modifier le type d'exécution sur Google Colab pour utiliser un GPU
  • Qu'est-ce que TensorFlow et à quoi il sert
  • Testez votre modèle sur une image de test en dehors du dataset Mnist
  • La préparation de la donnée: redimension (reshape) et aplatissement de l'image (flatten)
  • Testez votre modèle sur plusieurs images en dehors du dataset Mnist pour calculer son erreur
  • La matrice de confusion
  • L'importance du choix de la donnée de test dans le calcul de l'erreur

Maîtriser les concepts théoriques clés du deep learning

  • Comprendre le machine learning sous le prisme d'un projet de régression
  • Le perceptron
  • La fonction d'activation
  • La régression linéaire
  • La régression non linéaire
  • Pourquoi plusieurs neurones valent mieux qu'un: de la linéarité à la complexité
  • La couche de sortie d'un réseau de neurones
  • Les réseaux de neurones
  • Les réseaux de neurones profonds (deep learning)
  • La technique de dropout des neurones et à quoi elle sert
  • Exercice pratique: essayez plusieurs architectures neuronales différentes sur TensorFlow et comparez les résultats
  • Exercice pratique: entraînez des modèles de machine learning intégrant la technique de l'apprentissage par transfert
  • Qu'est-ce qu'un réseau convolutionnel et pourquoi est-il utilisé
  • Applications courantes des réseaux de neurones convolutionnels
  • Visualisation des activations des couches intermédiaires (ce que le réseau voit)
  • Comment les filtres (ou kernels) extraient les caractéristiques des images
  • Illustration des filtres: détection des bords, des motifs, des textures
  • Couches de convolution: rôle et fonctionnement
  • Couches de pooling (MaxPooling, AveragePooling): réduction de dimensionnalité
  • Structure typique d'un réseau convolutionnel
  • Exemple d'architecture classique (LeNet, AlexNet, VGG, MobileNet)
  • Exercice pratique: essayez plusieurs architectures neuronales convolutives différentes sur TensorFlow
  • Liste non exhaustive d'autres architectures neuronales possibles

Les hyperparamètres d'un réseau de neurones

  • Les epochs
  • Batch size
  • Validation split
  • Optimizer
  • Loss function
  • Kernel regularizer
  • Exercice pratique: essayez plusieurs hyperparamètres sur une même architecture neuronale sur TensorFlow et comparez les résultats
  • Exercice pratique: découvrez l'autoML par la pratique

Démystifier les bibliothèques de machine learning

  • Qu'est-ce que PyTorch et pourquoi l'utiliser
  • Exercice pratique: entraînez un modèle de machine learning de classification d'images en utilisant PyTorch
  • Qu'est-ce que Scikit-learn et pourquoi l'utiliser
  • Exercice pratique: entraînez un modèle de machine learning de classification d'images en utilisant Scikit-learn
  • Liste non exhaustive d'autres librairies de machine learning en Python
  • Liste non exhaustive d'autres langages de développement pour faire du machine learning
  • Approche spécialiste vs généraliste et conseils pour votre carrière professionnelle

Pour qui ?

Prérequis

Public: Développeurs, data analysts, data scientists juniors, chefs de projet techniques, ingénieurs, consultants IT, étudiants, chercheurs, entrepreneurs ou intrapreneurs tech.

Prérequis: Avoir un compte Gmail et un compte ChatGPT (ou les créer avant la formation). Savoir écrire et exécuter un programme simple (exemple: afficher "Hello, World!").

Questions fréquentes

Combien de temps dure la formation ?

La formation dure 1 jour, mais la durée peut être adaptée sur mesure pour les formations en intra-entreprise.

À qui s'adresse cette formation ?

Elle s'adresse aux développeurs, data analysts, data scientists juniors, chefs de projet techniques, ingénieurs, consultants IT, étudiants, chercheurs, entrepreneurs ou intrapreneurs tech.

Faut-il des prérequis pour suivre cette formation ?

Oui, vous devez savoir écrire et exécuter un programme simple (exemple : afficher "Hello, World!"). Vous aurez aussi besoin d'un compte Gmail et d'un compte ChatGPT.

Où se déroule la formation ?

Elle alterne présentiel et distance, avec une partie à Paris.

Peut-on la financer ?

Elle n’est pas indiquée comme éligible au CPF, mais France Travail ou votre employeur peuvent la financer selon votre situation.

Comment payer cette formation ?

  • Votre CPFCette formation n’est pas indiquée comme éligible au CPF. Le centre vous dira si une autre version l’est.
  • Si vous cherchez un emploiFrance Travail peut financer tout ou partie de la formation avec l’aide individuelle à la formation (AIF), si elle vous aide à retrouver un poste.
  • Si vous êtes salarié(e)Votre employeur peut la prendre en charge dans son plan de formation, souvent avec l’aide de son OPCO.
Estimer mon reste à charge Lire le guide : France Travail et AIF

Machine learning lab - formations et conseil en intelligence artificielle

Machine Learning Lab est un centre de formation et conseil spécialisé en intelligence artificielle basé à Paris, dans le secteur de l'informatique.

Découvrir le centre

Quelle formation cherchez‑vous ?