IA : Théorie et Algorithmes : Réseaux de neurones (Live Virtual Class)

Combien de temps dure la formation ?

2,00 jour(s)

Dans quelle(s) langue(s) la formation est-elle donnée ?

EN FR

Quand a lieu la prochaine session ?

Qui organise cette formation ?

OXiane est spécialisé dans la conception et la réalisation de formations informatiques et de supports de cours pédagogiques sur les dernières technologies. Nos différentes filières permettent de couvrir tous les besoins en formation que ce soit en IT au sens large, mais également "Utilisateurs" et "Soft Skills" en Management, Communication & leadership.

À qui s’adresse la formation ?

Développeurs, Web Designer, Développeurs expérimentés, Ingénieurs, Ingénieurs Systèmes, Responsables informatiques

Quels sont les objectifs poursuivis ou les compétences visées ?

Comprendre les concepts de Deep Learning (réseaux de neurones profonds)
Maîtriser les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
Connaître les différentes architectures fondamentales existantes et maîtriser leurs implémentations fondamentales
Maîtriser les méthodologies de mise en place de réseaux de neurones, les points forts et les limites de ces outils
Connaître les briques de base du Deep Learning: réseaux de neurones simples, convolutifs et récursifs
Appréhender les modèles plus avancés: auto-encodeurs, gans, apprentissage par renforcement

Quel est le contenu de la formation ?

1. Réseaux de neurones: Concepts fondamentaux d'un réseau de neurones

Le réseau de neurones: architecture, fonctions d'activation et de pondération des activations précédentes
L'apprentissage d'un réseau de neurones
Modélisation d'un réseau de neurones: modélisation des données d'entrée et de sortie selon le type de problème.
Structure du réseau
Fonction de combinaison
Fonction d’activation
Propagation de l’information

2. MLP

Définition
Structure
Algorithme de propagation
Apprentissage
TP: Mise en situation: Analyse d’un algorithme MLP

3. Convolutional Net

Blocs de construction
- Couche de convolution (CONV)
- Paramétrage
- Couche de pooling (POOL)
- Couches de correction (ReLU, sigmoïde, etc.)
- Couche entièrement connectée (FC)
- Couche de perte (LOSS)
- Exemples de modèles de CNN
Choix des hyperparamètres
- Nombre de filtres
- Forme du filtre
- Forme du Max Pooling
Méthodes de régularisation
- Empirique
- Dropout
- Données artificielles
- Explicit
- Taille du réseau
- Dégradation du poids
- La limitation du vecteur de poids

4. Recurrent Net: LSTM

Architecture
Training
TP: Application

5. Bayesian Net

Définition formelle
- Loi de probabilité jointe
- Propriété de Markov globale
Inférence
- Définition et complexité
- Inférence exacte
- Inférence approchée
Apprentissage automatique
- Apprentissage des paramètres
- Apprentissage de la structure
Variantes
Réseau bayésien dynamique
Classifieur bayésien naïf
Diagramme causal
AutoEncoder
- Définition
- Architecture
- Formalisation générale
- Word2vect model
- Glove model
- TP: Utilisation du Word2vect model Algorithm pour le calcul de similarité sémantique
Reinforcement Learning
- Définition
- Formulation d’un problème de Reinforcement learning
- Quelques exemples de cas d’usage
- Les caractéristiques de l’apprentissage par renforcement
- Les différents types d’apprentissage par renforcement
- Les défis de l’apprentissage par renforcement
- Avantages et inconvénients
GAN (Generative Adversarial Networks)
- Architecture
- Propriétés mathématiques
- Training GAN
- Évaluation GAN
- TP: Utilisation d’un GAN