Deep learning en Python

Maîtrise des bases du langage Python

Comprendre et choisir une méthode d'apprentissage profond - Implémentation d'algorithmes du Deep learning avec Python.

Comprendre l'apprentissage profond (Deep Learning)

Deep Learning: définition, contexte d'utilisation
Réseaux de neurones vs techniques de régressions
Types de réseaux neuronaux: feed-forwarded (propagation avant), récurrents, à résonance, auto-organisés
Implémentation d'un réseau feed-forwarded
Fonctions d'activation
Application d'un réseau à plusieurs données
Réseaux neuronaux multi-couches
Niveaux de représentation

Optimiser un réseau de neurones avec rétro-propagation

Besoin d'optimisation et calcul des erreurs de modèle
Impact des pondérations sur la précision du modèle
Mise à l'échelle des données
Descente graduelle
Améliorer les pondérations des modèles
Rétropropagation
Relation entre propagation vers l'avant et vers l'arrière
Cycle de rétropropagation

Implémenter des modèles d'apprentissage en profondeur avec Python

Panorama de librairies et de boîtes à outils: Keras, Tensorflow, Pytorch, Theano, Microsoft CNTK
Analyse de données
Spécification d'un modèle
Compilation et ajustement d'un modèle
Implémentation d'un modèle de classification
Prédictions
Diagnostic de problèmes et optimisation
Évaluation de la précision du modèle sur le jeu de données de validation
Reconnaissance d'images, de caractères

Méthodologie basée sur l'Active Learning : 75% de pratique minimum. Chaque point théorique est systématiquement suivi d'exemples et exercices.

Contrôle continu

Attestation de fin de stage mentionnant le résultat des acquis