IA - Génération de modèles

• Savoir identifier les modèles pertinents selon les cas d'usage
• Maitriser les outils et méthodes pour améliorer des modèles existants et en créer
• 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

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.

Une attestation de participation sera transmise aux participants