ORSYS formation
NOUS CONTACTER - +33 (0)1 49 07 73 73
NOUS CONTACTER - 📞 +33 (0)1 49 07 73 73    espace pro ESPACE PRO     inscription formation orsys S'INSCRIRE     drapeau francais   drapeau anglais

Nos formations :

Toutes nos formations IA, Machine Learning, analyse de données

Formation Deep Learning et réseaux de neurones, les fondamentaux

4,1 / 5
Séminaire
Durée : 3 jours
Réf : DRN
Prix  2020 : 2690 € H.T.
Pauses et déjeuners offerts
  • Programme
  • Participants / Prérequis
  • Intra / sur-mesure
  • avis vérifiés
Programme

L'Intelligence Artificielle a bouleversé de nombreux domaines scientifiques et révolutionné un grand nombre de secteurs économiques. Néanmoins, sa présentation dans les grands médias relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. Ce séminaire vous permettra de maîtriser les concepts clé du Deep Learning et de ses différents domaines de spécialisation. Vous découvrirez également les principales architectures de réseau existant aujourd'hui.

Objectifs pédagogiques

  • Comprendre les clés fondamentales d'une approche Machine ou Deep Learning
  • 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

Méthodes pédagogiques

Ce séminaire se base sur des présentations, des échanges et des études de cas. Des outils comme Lasagne ou Keras seront présentés.
PROGRAMME DE FORMATION

Introduction IA, Machine Learning et Deep Learning

  • Historique, concepts de base et applications de l'intelligence artificielle loin des fantasmes portés par ce domaine.
  • Intelligence collective : agréger une connaissance partagée par de nombreux agents virtuels.
  • Algorithmes génétiques : faire évoluer une population d'agents virtuels par sélection.
  • Machine Learning usuel : définition.
  • Types de tâches : Supervised Learning, Unsupervised Learning, Reinforcement Learning.
  • Types d'actions : classification, régression, clustering, estimation de densité, réduction de dimensionalité.
  • Exemples d'algorithmes Machine Learning : régression linéaire, Naive Bayes, Random Tree.
  • Machine Learning versus Deep Learning : pourquoi le ML reste aujourd'hui l'état de l'art (Random Forests & XGBoosts) ?

Concepts fondamentaux d'un réseau de neurones

  • Rappel de bases mathématiques.
  • Le réseau de neurones : architecture, fonctions d'activation et de pondération des activations précédentes...
  • L'apprentissage d'un réseau de neurones : fonctions de coût, back-propagation, stochastic gradient descent...
  • Modélisation d'un réseau de neurones : modélisation des données d'entrée et de sortie selon le type de problème.
  • Approximer une fonction par un réseau de neurones. Approximer une distribution par un réseau de neurones.
  • Data Augmentation : comment équilibrer un dataset ?
  • Généralisation des résultats d'un réseau de neurones.
  • Initialisations et régularisations d'un réseau de neurones : L1/L2 Regularization, Batch Normalization.
  • Optimisations et algorithmes de convergence.

Démonstration
Approximation d'une fonction et d'une distribution par un réseau de neurones.

Outils usuels Machine Learning et Deep Learning

  • Outils de gestion de donnée : Apache Spark, Apache Hadoop.
  • Outils Machine Learning usuel : Numpy, Scipy, Sci-kit.
  • Frameworks DL haut niveau : PyTorch, Keras, Lasagne.
  • Frameworks DL bas niveau : Theano, Torch, Caffe, Tensorflow.

Démonstration
Applications et limites des outils présentés.

Convolutional Neural Networks (CNN)

  • Présentation des CNNs : principes fondamentaux et applications.
  • Fonctionnement fondamental d'un CNN : couche convolutionnelle, utilisation d'un kernel, padding et stride...
  • Architectures CNN ayant porté l'état de l'art en classification d'images : LeNet, VGG Networks, Network in Network...
  • Utilisation d'un modèle d'attention.
  • Application à un cas de figure de classification usuel (texte ou image).
  • CNNs pour la génération : super-résolution, segmentation pixel à pixel.
  • Principales stratégies d'augmentation des Feature Maps pour la génération d'une image.

Etude de cas
Innovations apportées par chaque architecture CNN et leurs applications plus globales (convolution 1x1 ou connexions résiduelles).

Recurrent Neural Networks (RNN)

  • Présentation des RNNs : principes fondamentaux et applications.
  • Fonctionnement fondamental du RNN : hidden activation, back propagation through time, unfolded version.
  • Évolutions vers les GRU (Gated Recurrent Units) et LSTM (Long Short Term Memory).
  • Problèmes de convergence et vanising gradient.
  • Types d'architectures classiques : prédiction d'une série temporelle, classification...
  • Architecture de type RNN Encoder Decoder. Utilisation d'un modèle d'attention.
  • Applications NLP : word/character encoding, traduction.
  • Applications vidéo : prédiction de la prochaine image générée d'une séquence vidéo.

Démonstration
Différents états et évolutions apportées par les architectures Gated Recurrent Units et Long Short Term Memory.

Modèles générationnels : VAE et GAN

  • Présentation des modèles générationnels Variational AutoEncoder (VAE) et Generative Adversarial Networks (GAN).
  • Auto-encoder : réduction de dimensionnalité et génération limitée.
  • Variational AutoEncoder : modèle générationnel et approximation de la distribution d'une donnée.
  • Définition et utilisation de l'espace latent. Reparameterization trick.
  • Fondamentaux du Generative Adversarial Networks.
  • Convergence d'un GAN et difficultés rencontrées.
  • Convergence améliorée : Wasserstein GAN, BeGAN. Earth Moving Distance.
  • Applications de génération d'images ou de photographies, génération de texte, super résolution.

Démonstration
Applications des modèles générationnels et utilisation de l'espace latent.

Deep Reinforcement Learning

  • Reinforcement Learning.
  • Utilisation d'un réseau de neurones pour approximer la fonction d'état.
  • Deep Q Learning : experience replay et application au contrôle d'un jeu vidéo.
  • Optimisations de la politique d'apprentissage. On-policy et off-policy. Actor critic architecture. A3C.
  • Applications : contrôle d'un jeu vidéo simple ou d'un système numérique.

Démonstration
Contrôle d'un agent dans un environnement défini par un état et des actions possibles.

Participants / Prérequis

» Participants

Ingénieurs, Data Scientists désirant s'initier aux réseaux de neurones et au Deep Learning.

» Prérequis

Avoir des bases en programmation. Avoir une bonne maîtrise des outils informatiques et des statistiques.
Intra / sur-mesure

Demande de devis intra-entreprise
(réponse sous 48h)

Vos coordonnées

En cochant cette case, j’atteste avoir lu et accepté les conditions liées à l’usage de mes données dans le cadre de la réglementation sur la protection des données à caractère personnel (RGPD).
Vous pouvez à tout moment modifier l’usage de vos données et exercer vos droits en envoyant un email à l’adresse rgpd@orsys.fr
En cochant cette case, j’accepte de recevoir les communications à vocation commerciale et promotionnelle de la part d’ORSYS Formation*
Vous pouvez à tout moment vous désinscrire en utilisant le lien de désabonnement inclus dans nos communications.
* Les participants inscrits à nos sessions de formation sont également susceptibles de recevoir nos communications avec la possibilité de se désabonner à tout moment.
Avis vérifiés
picto avis vérifiés
Gilles M. 26/11/2019
3 / 5
Planches peu lisibles (textes et illustrations trop petites). Projection à l'écran de même : difficile pour les participants situés au fond de la salle de lire les informations : zoomer systématiquement ! Trop de calculs faits par l'animateur sur paperboard, difficiles à suivre, et de peu d'intérêt : des animations à l'écran seraient plus utiles ! Première demi-journée d'intr

Pierre P. 26/11/2019
4 / 5
Globalement bien. Cependant, du temps a été consacré sur des points hors sujet, et inversement, certains points auraient mérité plus de temps. A noter que le formateur a raccourci la formation d'une demi journée pour raison personnelle ce qui n'a pas aidé. J'ai apprécié les demos pratiques

Adrien V. 26/11/2019
5 / 5
Bon mix entre présentation générale des sujets, exemples théoriques et mise en oeuvre pratique. Contenu de la formation tout à fait cohérent avec le descriptif. Bonnes qualités pédagogiques du formateur, qui a une très bonne culture dans le domaine. La formation a répondu à mes attentes.

Philippe D. 21/10/2019
2 / 5
L'intitulé "les fondamentaux" ainsi que le plan de la formation ne faisait pas entrevoir une initiation à l'utilisation en quasi boîte noire d'outils disponibles. Etait attendu une formation sur le la construction, les architectures et les topologies des différents types de réseaux de neurones. Le formateur semblait en difficulté face à certaines questions. Il a choisi d'apporter des réponses erronées plu

Alexandre C. 21/10/2019
2 / 5
Programme proposé par Orsys peu suivi, uniquement dans les grandes lignes, pas d'approfondissement. Support: contient énormément de coquilles, fautes d'orthographe et surtout de contresens, contenu très peu rigoureux. Méthodologie peu claire, contenu sans rigueur, pas de fondement théorique ou scientifique. Formation terminée 2h plus tôt que prévue alors qu'un chapitre a été sauté.

Laurent S. 21/10/2019
2 / 5
Les points prévus au programme de formation n'ont pas été traités ou de manière partielle ou superficielle. Seules les têtes de chapitre ont été suivies (sauf les réseaux génératifs) et n'ont données lieu qu'à de la culture générale et des études de cas peu informatives. Il suffit de croiser les supports avec le programme pour le constater. Pas de réponse

RAPHAEL M. 21/10/2019
2 / 5
Le support n'est pas toujours adapté. Manque de contenu concernant l'architecture RNN. Le formateur n'a pas su s'adapter à son publique. Trop de temps sur des démonstrations très simples. Manque de pédagogie/clarté dans les démonstrations. Pas de réponse à un certain nombre de questions liées aux fondements des concepts (ex : détail d'une architecture RNN, mémoires). Le formateur a une co

Erwan P. 21/10/2019
3 / 5
Support avec beaucoup de fautes. - Pas/Peu de théorie "les fondamentaux"?? - Pas de réponses scientifiques à des questions de fond. - Partie non abordée VAE-GAN

François G. 21/10/2019
5 / 5
Très intéressant tour d'horizon du domaine de l'IA. Le formateur est très ouvert et réactif.

Pascal F. 24/09/2019
4 / 5
approche mathématique trop poussée pour une première approche.

Asceline G. 24/09/2019
4 / 5
le formateur est disponible et pédagogique. Maîtrise très bien son sujet.

Christophe F. 24/09/2019
5 / 5
slides en couleurs

Lori L. 24/09/2019
5 / 5
contenu complet et intéressant.

Alain D. 24/09/2019
5 / 5
excellente pédagogie malgré des sujets théoriques.

Magali E. 24/09/2019
5 / 5
je m'attendais à une formation plus pour débutant. améliorer le descriptif de la formation.

Thomas H. 08/07/2019
5 / 5
Surprise sur le niveau de détail technique (et de maths sous-jacentes) par rapport au résumé annoncé par la formation PSA. Néanmoins une très bonne adaptation du formateur à notre niveau. Capacité à nous transmettre ces fondamentaux sans nous perdre dans la connaissance théorique à maîtriser pour développer soi-même les algorithmes utilisés.

Stéphane B. 08/07/2019
5 / 5
Support de cours fourni à la fin de la formation, il aurait été préférable de l'avoir en début pour y accoler les notes prises en séance. Contenu déjà très approfondi nécessitant de bonnes bases mathématiques, par "fondamentaux" je m'attendais à une formation plus haut niveau.

vincent t. 08/07/2019
5 / 5
le formateur maîtrise son sujet. les 3 jours sont effectivement nécessaires pour cette formation.

Marie E. 25/06/2019
4 / 5
Manque un support de cours précis avec des réels chapitres et exercices liés au thème abordé. La formation semble donc un peu aléatoire et peut être pas assez poussée. Les horaires de la formation ne sont aussi pas très claires (9h-17h ou 09h30 -17h30 ou 09h30 -17h?), et paraissent justes au regard de ce qui est à approfondir. Une heure de plus par jour pourrait être nécessaire….

thierry B. 25/06/2019
4 / 5
Apparaît très technique et entrant dans le détail pour une formation sur les ´fondamentaux'. Un niveau d'abstraction supplémentaire serait plus adapté pour cet intitulé de formation
Avis client 4,1 / 5

Les avis client sont issus des feuilles d’évaluation de fin de formation. La note est calculée à partir de l’ensemble des avis datant de moins de 12 mois.

Pour vous inscrire

Cliquez sur la ville, puis sur la date de votre choix.
[-]
PARIS

Horaires

Les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45.
Pour les stages pratiques de 4 ou 5 jours, les sessions se terminent à 15h30 le dernier jour.
En poursuivant votre navigation, vous acceptez l’utilisation de cookies nous permettant de vous proposer des offres correspondant à vos centres d’intérêt.
En savoir plus sur l’usage des cookies…   ✖ Fermer
linkedin orsys
twitter orsys
it! orsys
instagram orsys
pinterest orsys
facebook orsys
youtube orsys