IA : Théorie et Algorithmes - Réseaux de neurones

• Developers
• Developers IT
• Développeurs expérimentés
• Entrepreneur IA
• IA Developpers
• IA Engineer
• Informaticiens
• Ingénieurs
• Ingénieurs Systèmes
• IT consultants
• IT development
• Programmeurs
• Responsables informatiques
• Software engineer

• 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

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

Une attestation de participation sera transmise aux participants