Objectifs

• Comprendre le Deep Learning
• Utiliser les frameworks de Deep Learning : TensorFlow v2 et Keras
• Maîtriser les différentes architectures de réseaux de neurones : denses, convolutionnels, récurrents, génératifs.
• Mettre en œuvre des cas concrets pour chaque type de réseaux
• Exécuter des calculs sur des CPUs, GPUs et TPUs
• Mesurer la pertinence des modèles mis en œuvre & visualiser l’apprentissage
• Déployer un modèle en production

Programme

JOUR 1 : Les bases du machine learning

• La définition du Machine Learning
• Les 5 courants du Machine Learning
• Les différents types d’apprentissage
• Entrainement et Inférence des modèles
• Démo : Le machine learning de A à Z avec le Titanic
• Premiers pas dans les neurones
• Le neurone formel
• Le perceptron
• Les fonctions d’activation
• La descente de gradient
• Démo : Playground réseau de neurones
• TP : Mon premier réseau de neurones

JOUR 2 : Introduction à TensorFlow et Keras

• Historique TensorFlow
• TensorFlow v2 & Keras
• Exécution graphe vs eager
• Cloud Computing / CPU / GPU / TPU
• TensorBoard
• Démo TensorBoard
• TP : Reconnaissance de chiffres (MNIST)
• Les réseaux de neurones convolutionnels
• CNN vs le cortex visuel humain
• Couche de convolution & pooling
• Fonctions d’activation
• Architecture d’un CNN
• Comment le réseau apprend-il ?
• Quelques architectures de référence
• Démo : Reconnaissance de chiffres avec CNN (MNIST)
• TP : Reconnaissance d’image

JOUR 3 : Les réseaux de neurones récurrents

• Définition RNN
• LSTM
• GRU
• Traitement automatique du langage naturel : Embeddings & Word2vec
• Transformers
• TP : Prévision de séries temporelles
• TP : Génération de texte
• Deep Generative Models
• Apprentissage non supervisé
• Auto-Encoders & VAE (Variational Auto-encoder)
• GANs
• Démo : Playground GAN
• démo : Génération de photos réalistes
• Démo : Application d’un style à une photo

Avis

"La clarté de la présentation, les sujets traités sont un vrai plus dans cette formation" Jimmy Delas (Lead Developper @Ector)