Microsoft Office 365
Notions fondamentales BDD
Fondamentaux
Gestion de projet SI
Méthodologie
Comptabilité
Efficacité au téléphone
Recrutement
Les fonctions du manager
Management des ventes / Performance commerciale
Fondamentaux de la langue française
Technologies, état de l'art
Deep Learning
Objectif
Comprendre l'évolution des réseaux de neurones et les raisons du succès actuel du Deep Learning
Utiliser les bibliothèques de Deep Learning les plus populaires
Comprendre les principes de conception, les outils de diagnostic et les effets des différents verrous et leviers
Acquérir de l'expérience pratique sur plusieurs problèmes réels
Bonnes connaissances en statistiques
Bonnes connaissances du Machine Learning
Moyens pédagogiques
Réflexion de groupe et apports théoriques du formateur
Travail d'échange avec les participants sous forme de réunion-discussion
Utilisation de cas concrets issus de l'expérience professionnelle
Validation des acquis par des questionnaires, des tests d'évaluation, des mises en situation et des jeux pédagogiques.
Alternance entre apports théoriques et exercices pratiques (en moyenne 30 à 50%)
Remise d'un support de cours.
Moyens techniques
Modalités d'évaluation
Feuille de présence signée en demi-journée,
Evaluation des acquis tout au long de la formation,
Questionnaire de satisfaction,
Attestation de stage à chaque apprenant,
Positionnement préalable oral ou écrit,
Evaluation formative tout au long de la formation,
Evaluation sommative faite par le formateur ou à l'aide des certifications disponibles
Modalités distance
A l’aide d’un logiciel (Teams, Zoom…), d’un micro et éventuellement d’une caméra les apprenants interagissent et communiquent entre eux et avec le formateur.
Sessions organisées en inter comme en intra entreprise.
L’accès à l’environnement d’apprentissage ainsi qu’aux preuves de suivi et d’assiduité (émargement, évaluation) est assuré.
Pour toute question avant et pendant le parcours, assistance technique à disposition au 04 67 13 45 45.
Profil formateur
Nos formateur sont des experts dans leurs domaines d'intervention
Leur expérience de terrain et leurs qualités pédagogiques constituent un gage de qualité.
Accessibilité
Les personnes en situation d'handicap sont invitées à nous contacter directement, afin d'étudier ensemble les possibilités de suivre la formation.
Pour tout renseignement, notre référent handicap reste à votre disposition : mteyssedou@ait.fr
Ingénieurs/Chefs de projet IA, consultants IA et toute personne souhaitant découvrir les techniques Deep Learning
Compte personnel de formation
La formation n'est pas compatible avec le Compte personnel de formation
Sessions inter-entreprises
La formation est compatible avec l’organisation en session inter-entreprises
Programme de la formation
Introduction
- Créer un premier graphe et l’exécuter dans une session.
- Cycle de vie de la valeur d’un nœud.
- Manipuler des matrices.
- Régression linéaire.
- Descente de gradient.
- Fournir des données à l’algorithme d’entraînement.
- Enregistrer et restaurer des modèles.
- Visualiser le graphe et les courbes d’apprentissage.
- Portées de noms. Partage des variables.
Introduction aux réseaux de neurones artificiels
- Du biologique à l’artificiel.
- Entraîner un PMC (perceptron multicouche) avec une API TensorFlow de haut niveau.
- Entraîner un PMC (perceptron multicouche) avec TensorFlow de base.
- Régler précisément les hyperparamètres d’un réseau de neurones.
Entraînement de réseaux de neurones profonds
- Problèmes de disparition et d’explosion des gradients.
- Réutiliser des couches pré-entraînées.
- Optimiseurs plus rapides.
- Éviter le sur-ajustement grâce à la régularisation.
- Recommandations pratiques.
Réseaux de neurones convolutifs
- L’architecture du cortex visuel.
- Couche de convolution.
- Couche de pooling.
- Architectures de CNN.
Deep Learning avec Keras
- Régression logistique avec Keras.
- Perceptron avec Keras.
- Réseaux de neurones convolutifs avec Keras.
Réseaux de neurones récurrents
- Neurones récurrents.
- RNR de base avec TensorFlow.
- Entraîner des RNR. RNR profonds.
- Cellule LSTM. Cellule GRU.
- Traitement automatique du langage naturel.
Autoencodeurs
- Représentations efficaces des données.
- ACP avec un autoencodeur linéaire sous-complet.
- Autoencodeurs empilés.
- Pré-entraînement non supervisé avec des autoencodeurs empilés.
- Autoencodeurs débruiteurs. Autoencodeurs épars. Autoencodeurs variationnels. Autres autoencodeurs.
