Cette formation intensive permet de comprendre et de mettre en œuvre les réseaux de neurones convolutifs (CNN), largement utilisés dans le traitement d’images et la vision par ordinateur.

Objectif

Apprendre à concevoir, entraîner et évaluer des modèles CNN pour des applications concrètes telles que la classification d’images, la détection d’objets et la reconnaissance faciale.

Est-ce pour vous ?

Développeurs IA / Data Scientists, Ingénieurs en vision par ordinateur

Préalables

• Connaissances de base en Python • Notions en machine learning (régression, classification) • Compréhension des matrices et de l’algèbre linéaire

Vos gains

Construire et entraîner des modèles CNN pour la classification d’images avec Keras

Préparer et enrichir des jeux de données (normalisation, augmentation, annotation)

Optimiser les performances des modèles via architectures avancées et réglage des hyperparamètres

Évaluer et comparer différents modèles à l’aide de métriques et techniques de validation

Déployer des solutions de vision par ordinateur avec transfert learning sur des cas réels

Contenu

Fondamentaux des CNN

Chapitre 1 : Introduction aux réseaux de neurones convolutifs

Historique et applications
Comparaison avec les réseaux classiques (MLP)
Architecture de base : convolution, pooling, activation

Chapitre 2 : Préparation des données

Formats d’images et normalisation
Augmentation de données
Annotation et jeux de données standards (MNIST, CIFAR, ImageNet)

Atelier 1 : Construction d’un premier CNN avec Keras

Classification d’images MNIST
Visualisation des couches et des filtres

Voir plus +/-

Conception et optimisation des modèles CNN

Chapitre 3 : Architectures avancées

VGG, ResNet, Inception
Réseaux profonds et problèmes de surapprentissage
Dropout, batch normalization

Chapitre 4 : Entraînement et évaluation

Fonction de coût et métriques
Validation croisée
Early stopping et tuning des hyperparamètres

Atelier 2 : Implémentation d’un modèle CNN sur CIFAR-10

Comparaison de plusieurs architectures
Analyse des performances

Applications concrètes et transfert learning

Chapitre 5 : Détection et reconnaissance

Détection d’objets (YOLO, SSD)
Reconnaissance faciale
Segmentation d’image

Chapitre 6 : Transfert learning et fine-tuning

Utilisation de modèles pré-entraînés
Adaptation à des jeux de données spécifiques
Avantages et limites

Atelier 3 : Projet final – Détection d’objets dans des images réelles

Utilisation de MobileNet ou ResNet pré-entraîné
Déploiement d’un modèle simple

💡 Informations utiles

Nos formations sont offertes à Montréal ou Québec en présentiel ou en format virtuel. Les dates et lieux sont précisés lors de votre choix de session ci-dessous. Si vous avez des questions concernant l'inscription, les horaires, la langue d’enseignement ou les modalités d’annulation, consultez notre FAQ .

Intervenants

Dalel Kanzari

Durée

3 jours

Horaire

9h à 16h

Tarif régulier

1 485 $

Tarif préférentiel

1 335 $

Formation en entreprise

Vous avez plusieurs employés intéressés par une même formation? Que ce soit en présentiel dans vos bureaux ou à distance en mode virtuel, nous offrons des formations privées adaptées aux besoins de votre équipe. Des tarifs de groupes sont disponibles. Contactez-nous pour plus de détails ou demandez une soumission en ligne.

Demander une soumission

Pratique des réseaux de neurones convolutifs (CNN)