Objectifs pédagogiques

• À l’issue de la formation, le participant sera en mesure de :
• 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

Public concerné

• Ingénieurs/Chefs de projet IA, consultants IA et toute personne souhaitant découvrir les techniques Deep Learning dans la résolution de problèmes industriels.

Prérequis

• Bonnes connaissances en statistiques. Bonnes connaissances du Machine Learning, connaissances équivalentes à celles apportées par le cours Machine Learning, méthodes et solutions. Expérience requise.

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.

Démonstration

Présentation des exemples de Machine Learning en classification et régression.

Introduction aux réseaux de neurones artificiels

• 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.

Travaux pratiques

Mise en œuvre d'un réseau de neurones à la manière du framework TensorFlow.

Réseaux de neurones convolutifs

• L’architecture du cortex visuel.
• Couche de convolution.
• Couche de pooling.
• Architectures de CNN.

Travaux pratiques

Mise en œuvre des CNN en utilisant des jeux de données variés.

Deep Learning avec Keras

• Régression logistique avec Keras.
• Perceptron avec Keras.
• Réseaux de neurones convolutifs avec Keras.

Travaux pratiques

Mise en œuvre de Keras en utilisant des jeux de données variés.

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.

Travaux pratiques

Mise en œuvre des RNN en utilisant des jeux de données variés.

Autoencodeurs

• Représentations efficaces des données.
• ACP avec un autoencodeur linéaire sous-complet.
• Autoencodeurs empilés. Pré-entraînement non supervisé.
• Autoencodeurs débruiteurs. Autoencodeurs épars. Autoencodeurs variationnels. Autres autoencodeurs.

Travaux pratiques

Mise en œuvre d'autoencodeurs en utilisant des jeux de données variés.

Projet final