Introduction au Deep Learning 

•  Relation entre Machine Learning et Deep Learning 

•  Champs d’application et cas d’utilisation 

•  Principes fondamentaux du Machine Learning 

•  Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, etc 

Découverte de TensorFlow 

• Installation de TensorFlow et son écosystème, présentation des tensors (tableaux multidimensionnels), des variables et placeholders, présentation des graphes et sessions TensorFlow 

•  Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets, etc. 

•  Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes d’apprentissage avec TensorBoard 

• Exercices 

Les réseaux neuronaux artificiels ou ANN (Deep Learning) 

•  Présentation du fonctionnement du perceptron à une couche et du perceptron multicouche, configuration et paramétrage d’un réseau de neurones 

•  Approche logicielle du développement d’un réseau de neurones : activation, désactivation 

•  Conception d’un réseau de neurones en fonction du problème à résoudre 

•  Exercices 

Entraînement d’un réseau de neurones 

•  Présentation des méthodes d’apprentissage : fonction de coût, descente de gradient et rétropropagation 

•  Importance de la métrologie : choix des paramètres 

•  Présentation de techniques de Data Augmentation et de l’écueil du sur apprentissage par régularisation 

•  Réutilisation d’ANN, par transfer learning ou comment utiliser des couches pré-entraînées 

•  Exercices 

Réseaux de neurones convolutifs ou CNN 

•  Présentation des principes de fonctionnement et définition de filtres convolutifs 

•  Développement d’une couche de convolution, d’une couche de pooling 

•  Approche logicielle du développement d’un réseau de neurones convolutifs 

•  Exercices 

 Réseaux de neurones récurrents ou RNN 

•  Présentation des principes de fonctionnement et importance de la disparition du gradient 

•  Approche logicielle du développement d’un réseau de neurones récurrents 

•  Présentation d’une Cellule Long Short-Term Memory (LSTM) et de sa version simplifiée la cellule GRU 

•  Principes fondamentaux du NLP ou Natural Language Processing 

•  Exercices 

Apprentissage par renforcement (Deep Learning) 

•  Principe de notation et d’optimisation par objectif 

•  Présentation de la toolkit Gym pour la programmation par renforcement 

•  Principe de la prise de décision par critère de Markov 

•  Principes fondamentaux de l’apprentissage par différence (temporelle, etc) 

•  Exercices 

Performance et mise en production 

•  Exécution sur CPUs, GPUs, TPUs ou cluster 

•  Mise en production avec TensorServing 

•  Exercices 

Etude de cas 

•  Présentation d’un cas pour lequel, par groupe, les participants sont amenés à faire un concours pour proposer la solution la plus efficace 

Exercices pratiques 

Les exercices proposés lors des formations sont centrés sur chaque concept présenté durant la formation. Les exercices abordent les concepts et la difficulté de façon progressive. A la fin de la formation, un exercice récapitulatif d’intégration des concepts est proposé aux participants.