Deep Learning Specialization Training

Deep Learning Specialization Training

Commencez quand vous le souhaitez

Ce cours complet fournit les connaissances et les compétences nécessaires pour déployer efficacement des outils d'apprentissage profond à l'aide de cadres d'IA/ML. Vous explorerez les concepts fondamentaux et les applications pratiques de l'apprentissage profond tout en acquérant une compréhension claire des distinctions entre l'apprentissage profond et l'apprentissage automatique. Le cours couvre un large éventail de sujets, notamment les réseaux de neurones, la propagation vers l'avant et vers l'arrière, TensorFlow 2, Keras, les techniques d'optimisation des performances, l'interprétabilité des modèles, les réseaux de neurones convolutifs (CNNs), l'apprentissage par transfert, la détection d'objets, les réseaux de neurones récurrents (RNNs), les autoencodeurs et la création de réseaux de neurones dans PyTorch.

À la fin du cours, vous aurez acquis une solide connaissance des principes de l'apprentissage profond et serez capable de créer et d'optimiser efficacement des modèles d'apprentissage profond à l'aide de Keras et TensorFlow.

Caractéristiques principales

• Cours et matériel en anglais
• Niveau intermédiaire à avancé
• Accès d'un an à la plateforme et aux enregistrements des cours

• 6 heures de leçons vidéo
• 40 heures de cours en ligne en direct
• 50 heures de temps d'étude recommandées
• 3 projets de fin de cours
• Laboratoire virtuel inclus pour s'exercer
• 1 test d'évaluation
• Pas d'examen mais une certification de fin de formation incluse

Acquis d'apprentissage :

• Faire la différence entre l'apprentissage profond et l'apprentissage automatique et comprendre leurs applications respectives.
• Acquérir une compréhension approfondie des différents types de réseaux de neurones.
• Maîtriser les concepts de propagation vers l'avant et de propagation vers l'arrière dans les réseaux de neurones profonds (DNN).
• Mieux comprendre les techniques de modélisation et l'amélioration des performances dans l'apprentissage profond.
• Comprendre les principes du réglage des hyperparamètres et de l'interprétabilité des modèles.
• Découvrir des techniques essentielles telles que le dropout et l'arrêt anticipé et les mettre en œuvre efficacement.
• Développer une expertise dans les réseaux de neurones convolutifs (CNN) et la détection d'objets.
• Acquérir une solide compréhension des réseaux de neurones récurrents (RNN).
• Se familiariser avec PyTorch et apprendre à créer des réseaux de neurones à l'aide de ce framework.

Public cible

• Ingénieurs et développeurs de logiciels - Ceux qui cherchent à intégrer l'IA et l'apprentissage profond dans leurs projets.
• Data Scientists & Analysts – Professionnels souhaitant élargir leurs compétences en matière de réseaux de neurones et d'apprentissage automatique.
• AI/ML Enthusiasts – Passionnés d'intelligence artificielle souhaitant créer des applications concrètes.
• Students & Researchers – Étudiants de premier ou deuxième cycle en informatique, mathématiques ou domaines connexes.
• IT & Cloud Professionals – Professionnels travaillant dans le cloud computing, le DevOps ou les infrastructures et ayant besoin de comprendre les modèles d'IA.
• Chefs d'entreprise et chefs de produit : professionnels ayant besoin de connaissances en IA pour prendre des décisions basées sur les données et développer des produits basés sur l'IA.
• Entrepreneurs et start-ups : innovateurs visant à créer des entreprises basées sur l'IA ou à améliorer des produits existants grâce au deep learning.

Prérequis :

une programmation Python de base, des connaissances en algèbre linéaire, en probabilités et quelques notions de base en apprentissage automatique sont fortement recommandées.

Sujets abordés :

Introduction au deep learning

• Bref historique de l'IA
• Motivation du deep learning
• Différence entre l'apprentissage profond et l'apprentissage automatique
• Succès de l'apprentissage profond
• Applications de l'apprentissage profond
• Défis de l'apprentissage profond
• Cadres d'apprentissage profond
• Cycle complet d'un projet d'apprentissage profond
• Réseaux de neurones et types de réseaux de neurones

Perceptron

• Propagation directe dans le perceptron
• Rôle des fonctions d'activation
• Propagation inverse dans le perceptron
• Algorithme de descente de gradient
• Limites du perceptron

Réseaux de neurones profonds

• Qu'est-ce qu'un réseau de neurones profonds et pourquoi est-il utile ?
• Fonctions de perte
• Propagation vers l'avant dans les DNN
• Propagation vers l'arrière dans les DNN
• Introduction à TensorFlow
• Entraîner des DNN avec TensorFlow
• Introduction à TensorFlow Playground

TensorFlow

• Introduction aux Tensors
• API séquentielles dans TensorFlow
• Keras : une introduction

Optimisation des modèles et amélioration des performances

• Introduction aux algorithmes d'optimisation
• Introduction à SGD et implémentation
• Introduction à Momentum et implémentation
• Introduction à Adagrad et implémentation
• Introduction à Adadelta et implémentation
• Introduction à RMSProp et implémentation
• Introduction à Adam et implémentation
• Implémentation de la normalisation par lots
• Gradients explosifs et évanescents
• Introduction au réglage des hyperparamètres et implémentation
• Interprétabilité des modèles
• Abandon et arrêt anticipé

Réseaux de neurones convolutifs

• Qu'est-ce qu'un CNN ?
• Architecture CNN
• ResNet 50
• Fonctionnement des CNN
• Regroupement dans les CNN
• Classification d'images à l'aide des CNN
• Introduction à Tensorboard

Apprentissage par transfert

• Introduction à l'apprentissage par transfert
• Comment sélectionner des modèles pré-entraînés
• Avantages de l'apprentissage par transfert

Détection d'objets

• Détection d'objets multiples
• Présentation générale de l'algorithme YOLO V3
• Préparation du jeu de données pour l'algorithme YOLO V3
• Déception d'objets avec YOLO V3
• Introduction à TF Lite
• Conversion d'un modèle TF en modèle TF Lite

Réseaux de neurones récurrents (RNN)

• Qu'est-ce que la modélisation de séquences ?
• Introduction aux RNN
• Architecture des RNN
• Propagation directe et inverse dans les RNN
• Introduction à la modélisation hybride
• Architecture d'un modèle hybride CNN et RNN

Modèles de transformateur pour le traitement du langage naturel (NLP)

• Présentation des modèles de transformateur
• Architecture du modèle de transformateur
• Introduction au modèle BERT

Premiers pas avec les auto-encodeurs

• Introduction à l'apprentissage profond non supervisé
• Que sont les auto-encodeurs ?
• Architecture des auto-encodeurs
• Cas d'utilisation et formation des auto-encodeurs

PyTorch

• Premiers pas avec PyTorch
• Création d'un réseau neuronal dans Pytorch

Est-ce que le fait de manquer un cours en direct affectera ma capacité à terminer le cours ?

Non, le fait de manquer un cours en direct n'affectera pas votre capacité à terminer le cours. Grâce à notre fonction « flexi-learning », vous pouvez visionner à votre convenance l'enregistrement de n'importe quel cours manqué. Cela vous permet de rester à jour avec le contenu du cours et de répondre aux exigences nécessaires pour progresser et obtenir votre certificat. Il vous suffit de vous rendre sur la plateforme d'apprentissage, de sélectionner le cours manqué et de visionner l'enregistrement pour que votre présence soit notée.