Recherche avancée
Par formation
Par date
Par ville
logo HUB Formation
Organisme de Formation
aux Technologies et métiers de L'informatique
La pédagogie au service de la technologie
> > > Data Science - Mise en œuvre du Deep Learning

Data Science - Mise en œuvre du Deep Learning

Au-delà du Machine Learning, le Deep Learning

Le Machine Learning est un élément majeur dans l’évolution du Big Data vers l’Intelligence Artificielle. En confortant cette évolution et en se rapprochant toujours plus de cette notion d’intelligence, le Deep Learning qui repose sur des traitements distribués dans des réseaux étendus de neurones (ce qui démultiplie les capacités d’analyse des informations) offre de nouvelles possibilités. Pourquoi ? Puisque bien au-delà d’interprétations évolutives, il permet de bénéficier de prévisions, de projections, de conseils mais aussi de nouveaux services tels que la reconnaissance faciale, d’images ou de sons.Les participants à cette formation se familiariseront avec les différents types de réseaux de neurones et apprendront à mettre en place des solutions de Deep Learning.

Objectifs

  • Maitriser les concepts clé du Deep Learning
  • S’approprier les atouts et bénéfices du Deep Learning et évaluer ses perspectives d’évolution
  • Comprendre les spécificités et le fonctionnement des réseaux de neurones
  • Savoir créer et régler des réseaux de neurones profonds

Public

  • Ingénieurs, analystes, responsables marketing
  • Data Analysts, Data Scientists, Data Steward
  • Toute personne intéressée par les spécificités du Deep Learning

Prérequis

  • Avoir suivi la formation « Data Science - Mise en œuvre du Machine Learning»
  • Disposer d’une expérience dans la mise en œuvre d’une solution Machine Learning

Programme de la formation

Introduction : Pourquoi le Deep Learning ?

Les réseaux neuronaux multicouches

  • Architecture
  • Principe de fonctionnement des MLPs
  • Rétropropagation du gradient
  • L’optimisation des paramètres
  • Techniques de réglages des réseaux de neurones

Les réseaux de neurones profonds convolutifs

  • Principe de fonctionnement
  • Champs de réception locaux
  • Convolution
  • Architecture d’un CNN
  • Mise en œuvre et réglage

Les réseaux de neurones profonds récurrents

  • L’apprentissage de séquences
  • Principe de fonctionnement d’un réseau récursif (RNN)
  • Problématique du gradient
  • Les approches LSTM et GRU
  • Mise en œuvre et réglage

Les réseaux de neurones profonds génératifs

  • Les algorithmes d’apprentissage génératifs
  • Principes de fonctionnement des autoencoders
  • Les autoencoders variationnels (VAE)
  • Les réseaux antagonistes adverses (GANs)
  • Mise en œuvre et réglages

Les réseaux de neurones profonds adaptatifs

  • Les algorithmes d’apprentissage par renforcement
  • L’approche par apprentissage profond
  • Le deep Q learning
  • Mise en œuvre et réglage d’un DQN

Perspectives d’évolution du Deep Learning