Menu
Et si vous pouviez prédire la variation d‘un stock, d‘une demande ou du nombre d’infractions au cours du mois prochain ? Ou prédire la victoire ou la défaite du prochain match de votre équipe de football favorite ? Cette formation vous ouvre ces portes.
1750 € HT
Dirigeants, managers, responsables, développeurs et ingénieurs informaticiens débutants en Deep Learning, chefs de projet informatique et toute personne souhaitant découvrir et découvrir plus en détail le domaine de l'Intelligence Artificielle et aux réseaux de neurones.
Connaissances en Python. Une bonne connaissance (niveau Bac) en statistiques, algèbre, analyse. Bonne compréhension de l'anglais.
Jour 1
Matin
Principes fondamentaux de l’apprentissage automatique
• Différence entre modèles paramétriques et non paramétriques et use-cases
• Prédire une valeur avec les régressions
• Prédire les catégories avec des classifications
• Grouper les données par similarité avec le clustering
Après-midi
Paramétrage d’un modèle d’apprentissage automatique
• Notion de surapprentissage
• Sélectionnez et traiter les meilleures caractéristiques (feature engineering)
• Traiter les données manquantes
Jour 2
Matin
Deep Learning
Immersion dans les réseaux de neurones pour comprendre leur simplicité et leur efficacité
• Construire des réseaux entièrement connectés
• Comprendre le fonctionnement d’un réseau de neurone (descente de gradient)
• Les activations et les différentes couches d’un réseau
• Comprendre les classifications multi-classes
• Visualiser les couches internes d’un réseau
Après-midi
Applications du Deep Learning
Mise en pratique des réseaux aux données structurées et non structurées : images, textes et séries chronologiques
• Qu’est-ce-que le réseau à convolutions
• Exploitation des modèles pré-entrainés
• Réglage des paramètres de réseau pour améliorer l’efficacité
Jour 3
Matin
La bibliothèque open-source Scikit-Learn
Utilisation de la bibliothèque d’apprentissage automatique
• Régression logistique et arbres de décision
• Forêt aléatoire et SVM
Après-midi
Méthodes de construction et d’optimisation des modèles d’apprentissage
• Construire des pipelines de plusieurs étapes
• Régler les hyper-paramètres avec l’outil gridsearch
• Déployer des modèles
Jour 4
Matin
Keras & Tensorflow 2.0
Utiliser le Framework open-source développé par Google
• Conception de modèles séquentiels et fonctionnels
• Utilisation de GPU pour accélérer l’entrainement
Après-midi
Optimisation et déploiement
• Passage aux données massives avec tf.data
• Explorer et améliorer avec tensorboard
• Déployer des modèles en utilisant tf.serving
Jour 5
Matin
Applications et études de cas
• Prédiction du prix de l’immobilier
• Détection de langage et clustering de clients
• Classement d’images et recherche par similarité
Après-midi
Mise en application
• Prédiction de consommation d’énergie
• Classement des sentiments et détection de spams
• Déploiement d’une API de localisation de téléphone
Jour 1
Matin
Principes fondamentaux de l’apprentissage automatique
• Différence entre modèles paramétriques et non paramétriques et use-cases
• Prédire une valeur avec les régressions
• Prédire les catégories avec des classifications
• Grouper les données par similarité avec le clustering
Après-midi
Paramétrage d’un modèle d’apprentissage automatique
• Notion de surapprentissage
• Sélectionnez et traiter les meilleures caractéristiques (feature engineering)
• Traiter les données manquantes
Jour 2
Matin
Deep Learning
Immersion dans les réseaux de neurones pour comprendre leur simplicité et leur efficacité
• Construire des réseaux entièrement connectés
• Comprendre le fonctionnement d’un réseau de neurone (descente de gradient)
• Les activations et les différentes couches d’un réseau
• Comprendre les classifications multi-classes
• Visualiser les couches internes d’un réseau
Après-midi
Applications du Deep Learning
Mise en pratique des réseaux aux données structurées et non structurées : images, textes et séries chronologiques
• Qu’est-ce-que le réseau à convolutions
• Exploitation des modèles pré-entrainés
• Réglage des paramètres de réseau pour améliorer l’efficacité
Jour 3
Matin
La bibliothèque open-source Scikit-Learn
Utilisation de la bibliothèque d’apprentissage automatique
• Régression logistique et arbres de décision
• Forêt aléatoire et SVM
Après-midi
Méthodes de construction et d’optimisation des modèles d’apprentissage
• Construire des pipelines de plusieurs étapes
• Régler les hyper-paramètres avec l’outil gridsearch
• Déployer des modèles
Jour 4
Matin
Keras & Tensorflow 2.0
Utiliser le Framework open-source développé par Google
• Conception de modèles séquentiels et fonctionnels
• Utilisation de GPU pour accélérer l’entrainement
Après-midi
Optimisation et déploiement
• Passage aux données massives avec tf.data
• Explorer et améliorer avec tensorboard
• Déployer des modèles en utilisant tf.serving
Jour 5
Matin
Applications et études de cas
• Prédiction du prix de l’immobilier
• Détection de langage et clustering de clients
• Classement d’images et recherche par similarité
Après-midi
Mise en application
• Prédiction de consommation d’énergie
• Classement des sentiments et détection de spams
• Déploiement d’une API de localisation de téléphone
Jour 1
Matin
Principes fondamentaux de l’apprentissage automatique
• Différence entre modèles paramétriques et non paramétriques et use-cases
• Prédire une valeur avec les régressions
• Prédire les catégories avec des classifications
• Grouper les données par similarité avec le clustering
Après-midi
Paramétrage d’un modèle d’apprentissage automatique
• Notion de surapprentissage
• Sélectionnez et traiter les meilleures caractéristiques (feature engineering)
• Traiter les données manquantes
Jour 2
Matin
Deep Learning
Immersion dans les réseaux de neurones pour comprendre leur simplicité et leur efficacité
• Construire des réseaux entièrement connectés
• Comprendre le fonctionnement d’un réseau de neurone (descente de gradient)
• Les activations et les différentes couches d’un réseau
• Comprendre les classifications multi-classes
• Visualiser les couches internes d’un réseau
Après-midi
Applications du Deep Learning
Mise en pratique des réseaux aux données structurées et non structurées : images, textes et séries chronologiques
• Qu’est-ce-que le réseau à convolutions
• Exploitation des modèles pré-entrainés
• Réglage des paramètres de réseau pour améliorer l’efficacité
Jour 3
Matin
La bibliothèque open-source Scikit-Learn
Utilisation de la bibliothèque d’apprentissage automatique
• Régression logistique et arbres de décision
• Forêt aléatoire et SVM
Après-midi
Méthodes de construction et d’optimisation des modèles d’apprentissage
• Construire des pipelines de plusieurs étapes
• Régler les hyper-paramètres avec l’outil gridsearch
• Déployer des modèles
Jour 4
Matin
Keras & Tensorflow 2.0
Utiliser le Framework open-source développé par Google
• Conception de modèles séquentiels et fonctionnels
• Utilisation de GPU pour accélérer l’entrainement
Après-midi
Optimisation et déploiement
• Passage aux données massives avec tf.data
• Explorer et améliorer avec tensorboard
• Déployer des modèles en utilisant tf.serving
Jour 5
Matin
Applications et études de cas
• Prédiction du prix de l’immobilier
• Détection de langage et clustering de clients
• Classement d’images et recherche par similarité
Après-midi
Mise en application
• Prédiction de consommation d’énergie
• Classement des sentiments et détection de spams
• Déploiement d’une API de localisation de téléphone
Abonnez-vous à la newsletter et restez informé des dernières actualités.
