Formation : IA - Génération de modèles

Durée	2 jours
Prix	1 690 €
Code cours	IA060
Dates	17 au 18 décembre (cliquez sur une date pour vous inscrire)

Public:

toute personne intéressée par les data-sciences, et l'utilisation de modèles performants , ou l'adaptation ou la création de modèles.

Objectifs:

Savoir identifier les modèles pertinents selon les cas d'usage, maitriser les outils et méthodes pour améliorer des modèles existants et en créer.

Connaissances préalables nécessaires:

Posséder des notions de probabilités et statistiques et les bases du machine learning .

Pour tester vos connaissances actuelles sur le sujet : Validation des pré-requis
Pour nous préciser vos attentes : Validation des attentes

Objectifs pédagogiques:

Comprendre les concepts de Machine Learning et l’évolution vers le Deep Learning (réseaux de neurones profonds)
Connaitre les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
Comprendre les modèles plus avancés : auto-encodeurs, gans, apprentissage par renforcement

Programme détaillé de la formation

(

Téléchargez le programme) :

Définitions et positionnement IA, deep learning et Machine Learning

Les apports du deep learning, état de l'art.
Outils disponibles. Exemple de projets.
Exemples, domaines d'application. Présentation de deepmind
Outils DeepLearning de haut niveau : Keras/TensorFlow, Caffe/PyTorch, Lasagne.

Atelier : 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, et 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.

Atelier : 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'autoencodeur. Autoencodeurs empilés, convolutifs, récurrents.
Comprendre les réseaux antagonistes génératifs (GANS) et leur limites de convergences. Apprentissage par transfert.
Évolutions vers les GRU (Gated Recurrent Units) et LSTM (Long Short Term Memory).
Traitement NLP : encodage des caractères et des mots, traduction.

Atelier : entraînement d'un autoencodeur 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. TensorFlow Hub. Serving.
Visualiser les reconstructions.

Atelier : 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 DeepLearning : imiter/créer. Cas concrets d'utilisation.
Introduction aux machines quantiques.

Déroulé pédagogique
Modalités et délais d'accès
Méthodes mobilisées

Pythagore-F.D.

01 55 33 52 10
pfd@pythagore-fd.fr

Calendrier
Code cours : IA060

Contenu de la formation
IA - Génération de modèles:

Définitions et positionnement IA, deep learning et Machine Learning
Convergence de réseaux de neurones
Modèles avancés : auto-encodeurs, gans, apprentissage par renforcement
Exploitation, création de modèles
Comprendre les points forts et les limites de ces outils

Accès à la liste des cours

Vous pouvez bien entendu composer votre programme personnel à partir de nos descriptifs de cours

Version du document : Ra04
Date de mise à jour du document : 2024/11/04

Formations au coeur des technologies