Objectifs de la formation
L’objectif de cette formation est de comprendre l’évolution du Machine Learning vers le Deep Learning, d’en maîtriser les principales architectures de réseaux de neurones et d’en appréhender les bases théoriques, pratiques et méthodologiques pour concevoir, entraîner et évaluer ces modèles avancés.Préalables
Avoir des bases en programmation et une bonne maîtrise des outils informatiques et statistiques. Connaitre les bases du Machine Learning est recommandé.Formateurs
Architecture de la formation
Introduction IA, Machine Learning et Deep Learning
• L'histoire, les concepts de base et les applications de l'intelligence artificielle sont loin des fantasmes du domaine.
• Intelligence collective : Connaissances agrégées partagées par de nombreux agents virtuels.
• Algorithme génétique : Développer une population d'agents virtuels par sélection.
• Apprentissage automatique normal : sens.
• Type de tâche : Apprentissage supervisé, apprentissage non supervisé, apprentissage par renforcement.
• Type d'action : Classification, régression, clustering, estimation de densité, réduction de dimensionnalité.
• Exemples d'algorithmes d'apprentissage automatique : Régression linéaire, Bayes naïf, Arbres aléatoires.
• Apprentissage automatique et apprentissage profond : Pourquoi le ML est-il toujours à la pointe (forêts aléatoires et XGBoost) ?
Concepts fondamentaux d'un réseau de neurones
• Rappel de base en mathématiques.
• Réseau neuronal : Architectures, fonctions d'activation et poids d'activation précédents...
• Formation d'un réseau de neurones : Fonctions de coût, rétropropagation, descente de gradient stochastique...
• Modélisation d'un réseau de neurones : Modélisation des données d'entrée et de sortie selon le type de problème.
• Généralisation des résultats des réseaux de neurones.
• Algorithmes d'optimisation et de convergence.
• Démonstration : Fonctions d'ajustement et distributions à l'aide de réseaux 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)
• 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.
Étude 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.
• Caractéristiques de base des RNN : activations cachées, rétropropagation dans le temps, versions dépliées.
• Développement pour GRU (Gated Recurrent Units) et LSTM (Long Short Term Memory).
• Problèmes de convergence et gradients de fuite.
• Types d'architecture classique : prévision de séries temporelles, classification... Architecture codeur-décodeur RNN. Utilisation de modèles en vedette.
• Applications NLP : encodage de mots/caractères, traduction.
• Application NLP : 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
Détails pédagogiques
Type de cours
Formation en entreprise
Toutes nos formations peuvent être offertes en entreprise et personnalisées selon vos besoins. Pour plus d'information, nous vous invitons à communiquer avec nous ou à remplir une demande de soumission en ligne.
Demander une soumissionFormation en entreprise
Toutes nos formations peuvent être offertes en entreprise et personnalisées selon vos besoins. Pour plus d'information, nous vous invitons à communiquer avec nous ou à remplir une demande de soumission en ligne.
Demander une soumission