Cette formation Deep Learning, orientée pratique, est destinée à des développeurs et développeuses souhaitant mettre en pratique des réseaux de neurones profonds au sein de leurs projets et apprendre à les optimiser.

Le Deep Learning, ou réseaux de neurones profonds, est aujourd'hui largement utilisé pour répondre à diverses problématiques, telles que la reconnaissance d'images.
Pour traiter ce sujet, plusieurs outils peuvent être utilisés : le framework TensorFlow et pour la création de modèles Keras.

A l'issue de cette formation, vous serez donc en mesure d'implémenter et d'optimiser vos propres modèles basés sur des réseaux de neurones.

Vous débutez avec le Machine Learning ?

Jetez un œil à notre formation Machine Learning avec scikit-learn !

Les objectifs

• Comprendre les enjeux du Deep Learning
• Comprendre le fonctionnement des réseaux de neurones
• Créer puis optimiser des réseaux de neurones

Pré-requis

• Avoir une bonne connaissance de la syntaxe de Python
• Avoir des connaissances en modélisation classique (classification et régression)
• Ordinateur portable à apporter

Le programme de la formation Deep Learning

Jour 1

• Concepts et terminologie, qu'est-ce que le Deep Learning ?
• Pourquoi de telles performances depuis quelques années seulement ?
• Cas d'usage, possibilités et limites des approches de Deep Learning
• Révision des bases de l'apprentissage supervisé : régression et classification
• Structure et fonctionnement d'un réseau de neurones
• Librairies et frameworks pour l'implémentation, avec un focus sur keras
• Les paramètres d'un réseau
  • Architecture et fonctions d'activation
  • Apprentissage, fonctions d'objectifs, backpropagation et optimizer
• Implémenter et tester un multilayer perceptron (MLP)
• Utilisation de tensorboard, outil d'aide à l'optimisation

Mise en pratique
-Conception d'un réseau autour d'une problématique de séries temporelles

Jour 2

• Construction d'une structure de réseau de neurones adaptée à mon besoin
• Implémenter et tester un réseau de neurones convolutionnel (CNN)
• Les auto-encodeurs
• Le concept de réutilisation de réseaux
  • Qu'est-ce que le transfer learning ?
  • Les réseaux pré-entraînés
  • Implémenter et optimiser des modèles basés sur des réseaux pré-entraînés
• Conclusions et ressources pour poursuivre l'apprentissage

Mises en pratique
-Classification d'images
-Mise en place d'un auto encodeur

Le(s) formateur(s)

Titouan ROBERT

Titouan Robert travaille depuis 7 ans dans une entreprise de conseil. Il construit des projets de modélisation depuis 5 ans. Il a notamment participé à la modélisation des échanges d’énergies entre pays européen grâce à l’utilisation des réseaux de neurones, ou encore créé des modélisations de production éoliennes ou pour des appels en call centers.

Il est actif dans la communauté R, et donne des formations de Machine Learning en plus de son activité professionnelle. Ses langages de prédilections sont R et python.
Ce qu'il aime dans le fait d'être formateur, c'est d'aider des élèves à progresser. Ses formations sont très orientées sur la pratique afin de permettre à chacun de progresser en faisant !

Enfin, il a travaillé dans la recommandation de contenu personnalisé à l'utilisateur.

Voir son profil détaillé

A propos de Human Coders

Human Coders c'est un centre de formation pour développeurs avec :

• une certification Qualiopi, indispensable pour que vous puissiez obtenir des aides au financement via votre OPCO
• de nombreux clients qui nous font confiance depuis des années
• un manifeste pour garantir des formations à taille humaine, des formateurs passionnés, de véritables workshops...
• 103 formations au catalogue, 1460 sessions depuis nos débuts en 2012 avec une moyenne de satisfaction de 4,6/5
• la possibilité de vous proposer un accompagnement personnalisé ou du conseil après la formation