> formation Technologies numériques > formation Big Data, Intelligence Artificielle > formation IA, Machine Learning, analyse de données > formation Deep Learning et réseaux de neurones : les fondamentaux

Avis loadedNote : 4,5Length : 63TotalNote : 1140TotalNote20 : 46
Toutes nos formations IA, Machine Learning, analyse de données

Formation Deep Learning et réseaux de neurones : les fondamentaux

4,5 / 5
Séminaire
Best
Durée : 3 jours
Réf : DRN
Prix  2021 : 2750 € H.T.
Pauses et déjeuners offerts
  • Programme
  • Participants / Prérequis
  • Intra / sur-mesure
  • avis clients
Programme

La présentation de l'Intelligence Artificielle dans les grands médias relève souvent du fantasme. Ce séminaire vous permettra de clarifier les concepts clés des réseaux de neurones profonds (Deep Learning) ainsi que leurs différents domaines d'utilisation. Des démonstrations présenteront des cas d'utilisations variés.

Objectifs pédagogiques

À l’issue de la formation, le participant sera en mesure de :
  • 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.
  • Appréhender une fonction par un réseau de neurones. Appréhender 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 appréhender 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 clients
picto avis clients
JONATHAN F. 31/08/2021
2 / 5
Le contenu proposé ne couvre qu’une partie du programme de la formation affiché sur le descriptif. Bien que le chapitre Machine Learning ait été couvert dans sa quasi totalité, les autres chapitres concernant le Deep Learning ont été abordés de manière très succincte et approximative. De nombreux éléments du descriptif de la formation sont absents du contenu (pas de place ici pour tous les énum[eacute

MICKAEL C. 31/08/2021
5 / 5
Bonne base données

SYLVAIN B. 30/08/2021
5 / 5
Très complet, très bien expliqué. Formateur très compétent : maitrise très bien son sujet tout en étant didactique. J’aurais dû faire cette formation plus tôt !

DAVID P. 30/08/2021
5 / 5
Très bonne pédagogie. J’ai apprécié la progression et la mise au point au départ de la formation avec des exemples simples. La formation contient de nombreux exemples de mise en application de la théorie. Ceci est très appréciable. La formation est très agréable à suivre. Le formateur maîtrise très bien son sujet.

GUILLAUME V. 30/08/2021
5 / 5
Contenu très complet qui intègre les dernières avancées dans le domaine. Le formateur est très pédagogue et communique très bien son expertise dans le domaine.

NICOLAS M. 05/07/2021
5 / 5
Très bonne formation L’animateur s’adapte très bien aux attentes des participants, allant jusqu’à mettre à jour le support de formation afin d’y intégrer de nouveaux éléments.

BILJANA J. 05/07/2021
5 / 5
Clarté dans la présentation sur tous les sujets pour une conprehension globale des fondamentaux. Démystification des problemes mathematique pour une bonne comprehension de l’implementation sous-jacente.

MOHAMED K. 05/07/2021
5 / 5
Explications très claires sur un sujet difficile à appréhender merci beaucoup :)

LAURENT V. 05/07/2021
5 / 5
Très bonne pédagogie d’Antoine, très agréable et bienveillant

PERAL D. 28/06/2021
5 / 5
Formateur passionné et très clair dans ses explications. La progression de la formation est excellente en commençant sur chaque sujet par une vue d’ensemble puis en allant de plus en plus dans le détail.

LÉO R. 28/06/2021
5 / 5
Excellent formateur, intéressé et intéressant. Très bonne vulgarisation sur des sujets parfois complexes et verbeux.

CHAHLA FEDY A. 28/06/2021
5 / 5
Une formation passionnante mais très dense, difficile d’appréhender tous ces concepts en si peu de temps mais on sent un énorme travail du formateur pour balayer l’ensemble de ces sujets et nous en donner une idée intuitive. J’ai apprécié le fait que le formateur s’adapte à nos centres d’intérêt et modifie le contenu de la présentation entre deux journées pour s’adapter à nos besoins.

NICOLAS C. 28/06/2021
5 / 5
Formateur très clair et pédagogue. Beaucoup de notions à aborder, ça a l’air simple en t’écoutant. Merci.

ROBERTO C. 28/06/2021
5 / 5
Beaucoup des informations, tres bien pour un overview generale. Peut etre limiter le scope pour le rendre plus facile à retenir pour les debutants. Je trouve tres bien l’avoir partagé les references.

RODOLPHE A. 28/06/2021
5 / 5
Excellente formation et formateur.

MARC N. 28/06/2021
5 / 5
recherche, organisation, extraction de l’essence, pratique (pytorch debug)

THEO L. 28/06/2021
4 / 5
très large donc très interessant le contrecoup, c’est qu’on ne touche pas à la pratique

YASSINE A. 28/06/2021
3 / 5
Contenu un peu trop dense pour le temps imparti et sujet survolé trop vite des fois.

JEAN-PHILIPPE F. 28/06/2021
4 / 5
Personnellement j’aurais préféré avoir quelques pointeurs afin de tester si les connaissances engrangées sont maîtrisées, ainsi que quelques cas d’études concrêts même s’il est vrai que les modèles de deep-learning sont coûteux en termes de temps à entraîner. Cependant j’ai beaucoup aimé avoir le state of the art de la recherche académique sur différents sujets, et j[quo

BRENDAN L. 21/06/2021
5 / 5
Approche pédagogique: très imagée et facile à suivre

SONIA T. 21/06/2021
4 / 5
On survole toutes les notions les plus importantes en deep learning. Pour un néophyte, certaines notions pourraient être expliquées un peu plus pas à pas. Prendre un peu plus de temps pour des sessions pratiques serait bon.

JÉRÉMY G. 21/06/2021
5 / 5
Contenu très intéressant et correspondant à mes attentes initiales pour la formation. Support de cours (slides) correct, avec beaucoup de liens externes pour aller plus loin. En revanche, temps limité pour chaque sujet, ce qui se comprend car le contenu est très dense pour un temps de formation restreint.

FLORIAN G. 21/06/2021
5 / 5
Très bonne adaptation à nos demandes tout au long de la formation, excellente connaissance du sujet. Le sujet est très vaste, donc des choix doivent être faits. J’aurais aimé plus de "hands on" parfois, mais je comprends complètement le choix, vu le nombre de sujets à aborder.

SÉBASTIEN T. 14/06/2021
5 / 5
Mes objectifs initiaux pour suivre cette formation ont été rempli. Le cours était vivant et passionnant malgré le fait que ce soit réalisé à distance.

SOUDJAD C. 14/06/2021
5 / 5
Contenu très intéressant

GEOFFROY M. 14/06/2021
5 / 5
Bonne découverte du (vaste) domaine du Deep Learning. Bon formateur

RÉMI N. 14/06/2021
5 / 5
Contenu passionnant, intervenant très pédagogue (surtout compte tenu de la complexité du sujet) qui sait ne pas noyer les participants avec des maths ou de la technique, et qui sait bien insister sur les points importants.

CHRISTOPHE R. 14/06/2021
5 / 5
très positif les parties historique, pratique (exemple), les différents modèles. Formateur très à l’écoute.

SÉBASTIEN G. 14/06/2021
5 / 5
Formation très dense et complète. Le formateur était très compétent et disponible pour répondre aux questions mais la densité du cours fait qu’il n’y avait pas de phase d’exploration individuelle (uniquement cours magistral + questions-réponse).

CHRISTOPHE M. 31/05/2021
4 / 5
Les principes étaient bien expliqués. La partie code est rapide mais il est difficile de l’analyser enièrement dans le temps imparti.

JON A. 31/05/2021
5 / 5
Sometimes the material was very theoretically heavy and could benefit from some examples where the teacher explained their choice of model, settings, etc.

SARA H. 31/05/2021
4 / 5
Contenu très intéressant. Je n’ai cependant pas compris toutes les notions, mais c’est parce que je n’étais pas familière avec le sujet. Le professeur était très pédagogique.

OBDULIA R. 31/05/2021
5 / 5
It was really interesting given my lack of knowledge of deep learning theory. I think i reached my basic objective of having an overview of the different architectures and strategies. Further work is needed from my side, so it is great that all notebooks are shared.

LAURIANNE D. 31/05/2021
5 / 5
Formation très complète et claire, avec une excellente documentation !

MARTIN K. 31/05/2021
4 / 5
Good speaker, slow and clear explanations, with very good english level.

MAXIME B. 25/05/2021
5 / 5
Formation passionnante et cherchant à s’adapter à notre demande

CYRIL P. 25/05/2021
3 / 5
Dans l’ensemble le contenu du stage est trop pointu pour mes compétences professionnelles. Mais c’est passionnant et très instructif

LAOUAR A. 25/05/2021
4 / 5
JE RECOMMANDE le formateur et ce cours pour ceux qui s’intéressent au dev de l’IA

PATRICK A. 18/05/2021
4 / 5
Le stage donne un bon aperçu de l’ensemble des possibilités de l’AI mais va peut-être trop loin dans la sophistication pour une première formation

VINCENT J. 18/05/2021
5 / 5
Présentation dynamique et efficace. Bien plus vivante que nombre de mes précédentes formations. Très théorique, manque éventuellement de Travaux Pratiques, d’implémentation concrètes, ...

CAVAGNA R. 18/05/2021
5 / 5
Excellente formation très pédagogique

MIQUEL F. 18/05/2021
4 / 5
J’aurais aimé rester un peu plus sur les CNN classiques

ADNAN B. 18/05/2021
3 / 5
+ : Le formateur a donné plein de pointeurs vers des publications-travaux et un état de l’art sur les avancements dans ce domaine. - : Manque de pédagogie dans l’explication des techniques compliquées (transformers, reinforcement learning). Pour les techniques classiques (MLP, CNN, etc.), suivre les présentations de MIT sur YouTube est plus éducative. Partie pratique absente. Il était préférable s’il y avait

STÉPHANE R. 18/05/2021
4 / 5
Tous les concepts les plus importants ont été vus et de nombreuses mise en garde ont été formulées, ce qui est excellent. Nombreux schémas à main levée restés sans trace. La présentation y aurait gagner à intégrer une partie de ces schémas directement dans les planches, avec une charte graphique homogène. Besoin ce conclusions claires sur chaque slide. Besoin d’illustration plus

PHAM T. 09/03/2021
4 / 5
Le contenu est assez large et varié pour une formation de 3 jours Le formateur maitrise bien les sujets et les réponses aux questions sont assez pertinents

ALDEBERT L. 16/02/2021
5 / 5
Démystifier les algorithmes du machine learning et en particulier des API tensorflow

FRÉDÉRIC E. 16/02/2021
5 / 5
Excellent

PIERRE . 16/02/2021
5 / 5
clair, precis, toujours supporte par des exemples

BENJAMIN L. 16/02/2021
3 / 5
Transmettre les notebooks Jupyter en début de formation pour pouvoir les exécuter en parallèle.

GEORGES N. 08/12/2020
5 / 5
J’ai apprécié, les exemples d’illustration. Nous avons reçu des liens très utiles pour compléter le support et la formation. Il serait peut-être utile de les intégrer sous forme d’annexe avec une page qui explicite les sigles

TATIANA S. 08/12/2020
5 / 5
Antoine Liutkus est très bon formateur, passionné. Il transmet ses connaissances avec beaucoup d’intérêt. Je suis ravie d’assister son cours.

FRANÇOIS L. 08/12/2020
5 / 5
J’ai apprécié les références vers la documentation et les exemples afin de continuer nos recherches études sur le sujet.

YOANN P. 08/12/2020
5 / 5
très bien, très complet pour une première formation sur le sujet.

ALEXANDRE A. 08/12/2020
5 / 5
Contenu très complet avec de nombreux exemples de réalisation et détails sur les modèles mathématiques utilisés et du code informatique. Parfois complexe à suivre en mathématique pour un stagiaire qui n’en a plus fait depuis longtemps ;)

LUDWIK K. 08/12/2020
5 / 5
Antoine a très bien explicité des concepts mathématiques complexe qui ont permit une bonne compréhension des mécanismes en œuvre !!! Les exemples montrés ont permit également de se projeter sur des cas concrets.

LENA D. 08/12/2020
5 / 5
Formation très intéressante

ISABELLE D. 08/12/2020
3 / 5
Le contenu de la formation s’adresse à des experts en Neural Network et explique les differents concepts en profondeur. La formation s’appelle " les fondamentaux", mais elle s’adresse plutôt à des personnes qui vont programmer plutôt que donner un vernis sur les techniques de DL. Je mets cette note parce que cette formation est beaucoup tros détaillée et technique pour mon usage. Cela ne remets pas en cause les grandes comp[eacute

DANIEL M. 21/09/2020
5 / 5
Sujet très intéressant, mais aussi très vaste! Il faut avoir un certain bagage mathématique. Le formateur est très bien et arrive à mettre en évidence certains concepts abstraits avec des exemple concrets. Bravo

CHRISTOPHE L. 21/09/2020
5 / 5
Très bonne formation. Bon balayage des concepts , de l’histoire de la recherche et des applications. Très bon formateur, s’adaptant bien aux questions et visant une bonne compréhension pour un sujet complexe

AYOUB G. 21/09/2020
5 / 5
Antoine Liutkus (le formateur) est très compétent et pédagogue. Il prend en compte les besoins des élèves pour approfondir les sujets demandés et adapter la formation. La formation donne bien une vue d’ensemble des architecture de Deep Learning et leurs applications.

CLAUDINE P. 21/09/2020
5 / 5
Excellente qualité à tout niveau. Excellente maîtrise du sujet. Très réactif. Très pédagogue. Le formateur a répondu à toutes les questions en live allant même chercher des illustrations sur internet. Points réguliers pour répondre aux questions et prendre en compte les remarques pour le support. Beaucoup d’exemples visuels très passionnants. La dernière partie est un peu trop théorique. L

DAMIEN V. 21/09/2020
5 / 5
Contenue de la formation très fournis, explications du formateur très clair. Les sujets sont bien illustré par des exemples d’application. On voudrait juste avoir un peu plus de temps pour voir d’avantage d’exemple de code ou des etudes de cas.

LAURENT G. 21/09/2020
5 / 5
Nombreux exemples facilitant l’assimilation Contenu un peu trop dense le dernier jour
Avis clients 4,5 / 5

Les avis clients 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.

CLASSE A DISTANCE

En inter et en intra-entreprise
Inscrivez-vous ou contactez-nous !

Pour vous inscrire

Cliquez sur la ville, puis sur la date de votre choix.
[+]
CLASSE A DISTANCE
[+]
PARIS
[+]
AIX
[+]
BORDEAUX
[+]
BRUXELLES
[+]
LILLE
[+]
LUXEMBOURG
[+]
LYON
[+]
NANTES
[+]
SOPHIA-ANTIPOLIS
[+]
STRASBOURG
[+]
TOULOUSE

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.