Apres avoir acquis les bases du Machine Learning, cette formation intermediaire vous plonge dans les architectures avancees du Deep Learning. Vous apprendrez a concevoir et optimiser des auto-encodeurs, des GAN et des reseaux recurrents (LSTM, GRU) avec TensorFlow et PyTorch, puis a industrialiser vos modeles pour un deploiement en production fiable et performant.
Public visé
Toute personne intéressée par les Data Sciences, l’utilisation de modèles performants ainsi que l’adaptation ou la création de modèles.
Prérequis
Avoir suivi cette formation, ou en maîtriser les thèmes abordés :
Objectifs pédagogiques
À l’issue de cette formation, vous serez capable de :
- Sélectionner les modèles appropriés selon les contextes d’application
- Identifier les outils et approches pour améliorer ou développer des modèles
- Décrire les principes du Machine Learning et la transition vers le Deep Learning
- Reconnaître les composants fondamentaux du Deep Learning
- Distinguer les architectures avancées (auto-encodeurs, GANs, apprentissage par renforcement)
Programme
Définitions et positionnement IA, Deep Learning et Machine Learning
- Les apports du Deep Learning, état de l’art
- Outils disponibles
- Exemple de projets
- Domaines d’application
- Présentation de DeepMind
- Outils Deep Learning de haut niveau
- Keras / TensorFlow
- Caffe / PyTorch
- Lasagne
Travaux pratiques
- Mise en oeuvre sur cloud AutoML : langages naturels, traduction, reconnaissance d’images…
Convergence de réseaux de neurones
- Comprendre la rétro-propagation de l’erreur et la convergence
- Comprendre la descente de gradient
- Les fonctions d’erreur
- MSE
- BinaryCrossentropy
- Les optimiseurs SGD
- RMSprop
- Adam
- Définitions
- Couche
- Epochs
- Batch size
- Itérations
- Loss
- Learning rate
- Momentum
- Optimiser un entraînement par découpage d’entraînements peu profonds
- Comprendre le principe des hyper-paramètres
- Choix des hyper-paramètres
Travaux pratiques
- Construire un réseau capable de reconnaître une courbe
Modèles avancés : auto-encodeurs, GANS, apprentissage par renforcement
- Représentations des données
- Bruits
- Couches d’encodage
- Codage entier
- One-hot
- Embedding layer
- Notion d’auto-encodeur
- Auto-encodeurs empilés
- Convolutifs
- Récurrents
- Comprendre les réseaux antagonistes génératifs (GANS) et leur limites de convergences
- Apprentissage par transfert
- Evolutions vers les GRU (Gated Recurrent Units) et LSTM (Long Short Term Memory)
- Traitement NLP
- Encodage des caractères et des mots
- Traduction
Travaux pratiques
- Entraînement d’un auto-encodeur variationnel sur un jeu d’images
Exploitation, création de modèles
- Préparation des données
- Régularisation
- Normalisation
- Extraction des caractéristiques
- Optimisation de la politique d’apprentissage
- Exploitation des modèles
- Mise en production des modèles
- TensorFlow Hub
- Serving
- Visualiser les reconstructions
Travaux pratiques
- Mise en place d’un serveur de modèles et d’une application TF Lite
Comprendre les points forts et les limites de ces outils
- Mise en évidence des problèmes de convergence et du vanishing gradient
- Les erreurs d’architecture
- Comment distribuer un réseau de neurones
- Les limites du Deep Learning : imiter / créer
- Cas concrets d’utilisation
- Introduction aux machines quantiques
Modalités d’évaluation des acquis
En cours de formation, par des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation.
Pour aller plus loin
Cette formation donne accès à cette formation :
Voir aussi
Vous serez peut-être intéressés par les formations suivantes :
- AIOps Foundation
- ChatGPT pour le développement de code
- IA - Analyse et production de code informatique
- Analyse de Données avec l'IA
- IA et outils du Deep Learning
- Prompt Engineering - Avancé
- ChatGPT et GPT-4 dans des applications Python
- Apprentissage
- IA - Ingénierie et Création de Solutions
- AWS - MLOps Engineering
- IA - Traitement du Langage Naturel (NLP)
- IA et traitement d'images
Formation EAI-ML-200 — IA - Génération de Modèles. Domaine : Intelligence Artificielle. Niveau : Intermédiaire. Durée : 2 jours (14 heures). Mots-clés : machine-learning, deep-learning, intelligence-artificielle, initiation, tensorflow, pytorch. Cylian Formation, Dijon.