- Durée
- 3 mois
- Lieu
- À distance
- Format
- Distanciel
- Niveau
- Avancé
Ce que vous allez apprendre
Maîtrisez Keras, TensorFlow et les réseaux de neurones profonds pour analyser images, voix et séries temporelles. Une formation en ligne de 3 mois, avec mentor et certification RNCP de niveau 7.
À l'issue de la formation, vous serez capable de
- Concevoir des réseaux de neurones profonds adaptés à des problèmes complexes (vision, audio, séries temporelles)
- Entraîner des modèles sur de grands volumes de données avec Keras et TensorFlow
- Optimiser les modèles de deep learning pour une meilleure efficacité en production
- Mettre en œuvre des techniques avancées: CNN, RNN, transfer learning, YOLO, reconnaissance vocale
- Déployer des modèles via des pipelines MLOps (Airflow, MinIO, BentoML) ou LLMOps (RAGOps)
Programme
Fondamentaux du Deep Learning
- Comprendre les concepts de base du Deep Learning et son fonctionnement
- Rappeler les principes d’optimisation et de régression linéaire
- Faire le lien entre la régression linéaire et les neurones artificiels
- Manipuler les couches denses (Dense Layer) avec Keras
- Traiter des problèmes de classification et de régression en Deep Learning
- Ajuster les hyperparamètres pour optimiser les performances des modèles
- Découvrir les couches de Convolution et leur rôle dans l’extraction de caractéristiques
- Comprendre les couches de Pooling et leur utilité pour la réduction de dimensions
- Construire des réseaux de neurones convolutifs (CNN) avec Keras
- Appliquer l’augmentation de données et utiliser le Dropout pour améliorer la généralisation
- Introduire le Transfer Learning avec des modèles pré entraînés comme VGG16
TensorFlow et application
- Comprendre la notion de tensor, les opérations et les graphes computationnels
- Implémenter la régression linéaire et polynomiale avec TensorFlow
- Rapprocher l’utilisation de TensorFlow avec Keras pour simplifier le développement
- Manipuler les datasets, itérateurs et générateurs pour gérer les données
- Personnaliser les modèles et fonctions de perte en fonction des besoins spécifiques
- Ajouter et configurer des callbacks pour affiner l’entraînement des modèles
- Visualiser l’évolution des modèles avec TensorBoard
- Introduire les enjeux et concepts de la reconnaissance vocale
- Appliquer la transformée de Fourier, analyser un spectrogramme et utiliser l’échelle MEL
- Améliorer les performances des modèles avec l’augmentation de données audio
- Implémenter un modèle de reconnaissance de commande vocale
- Explorer la fonction de perte CTC, les méthodes Best path decoding et Beam search decoder
- Construire un modèle avancé pour la reconnaissance vocale
Deep Learning pour les séries temporelles
- Gérer la cyclisation des variables temporelles et angulaires
- Appliquer la transformée de Fourier pour détecter les composantes fréquentielles
- Introduire des Time Lagged Features et étudier la corrélation croisée
- Calculer des statistiques par fenêtre mobile et fenêtre “expensive”
- Utiliser un Multi Layer Perceptron pour prédire des séries temporelles
- Mettre en œuvre des CNN univariés et multivariés pour capter les motifs récurrents
- Exploiter des RNN univariés pour modéliser la dynamique séquentielle
- Réaliser de l’autorégression et extrapoler la série à long terme
- Appliquer la prédiction par fenêtre mobile pour gérer les variations dans le temps
Méthodologie en Deep Learning et Application
- Explorer le framework TensorFlow et ses fonctionnalités
- Manipuler les datasets, itérateurs et générateurs pour structurer les données
- Personnaliser les modèles et les fonctions de perte selon les problématiques
- Ajouter des callbacks pour contrôler l’entraînement des modèles
- Utiliser TensorBoard pour visualiser l’évolution et optimiser les modèles
- Introduire la problématique de la détection d’objets en Deep Learning
- Valider la faisabilité en développant un modèle simple from scratch
- Détecter des points d’intérêt (nez, bouche, yeux…) sur un visage
- Implémenter un modèle simplifié de YOLO pour la détection d’objets
- Étudier et corriger les biais des modèles en analysant leurs performances
- Créer et orchestrer des DAGs avec Airflow
- Planifier et automatiser des pipelines de données
- Gérer les dépendances entre tâches
- Monitorer l’exécution et gérer les erreurs
- Stocker des objets avec MinIO (compatible S3)
- Créer et gérer des buckets
- Intégrer MinIO dans un pipeline ML
- Sécuriser l’accès aux données stockées
- Packager un modèle ML avec BentoML (option MLOps)
- Créer une API de service pour un modèle
- Déployer un modèle en production (Docker, Kubernetes)
- Gérer le versioning des modèles servis
- Concevoir un pipeline RAG (retrieval-augmented generation) (option LLMOps)
- Gérer l’indexation et le stockage vectoriel
- Optimiser la récupération de documents pertinents
- Monitorer et évaluer la qualité des réponses générée
- Créer et orchestrer des flows avec Prefect (optionnel)
- Planifier et automatiser l’exécution des tâches
- Gérer les erreurs et les retries
- Monitorer les exécutions via l’interface Prefect
- Indexer et rechercher des documents avec Elasticsearch (optionnel)
- Utiliser les requêtes de recherche full-text
- Configurer les mappings et analyzers
- Optimiser les performances de recherche
Questions fréquentes
Combien de temps dure la formation ?
La formation se déroule sur 3 mois à temps partiel, 100 % en ligne.
À qui s’adresse cette formation ?
Elle est conçue pour les personnes souhaitant devenir data scientists ou ingénieurs deep learning, avec des compétences en vision par ordinateur, NLP et séries temporelles.
Comment se déroule la formation ?
Elle alterne des périodes d’apprentissage sur une plateforme interactive (avec exercices pratiques) et des masterclasses animées par un professeur expert, plusieurs fois par semaine, en visioconférence.
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.

DataScientest
Liora, anciennement DataScientest, forme aux métiers de la tech pour les particuliers, les étudiants en alternance et les entreprises. Ses parcours, notamment dans la data, le machine learning et la cybersécurité, se suivent en bootcamp ou à distance avec des formateurs experts.
Découvrir le centreChez DataScientest, aussi

Éligible CPF
Formations similaires
Éligible CPF
Éligible CPF