Formation Deep Learning et Réseaux de Neurones : les fondamentaux pour l’ingénieur
| 2 090€ HT / personne |
| 3 jours (21 heures) |
Présentation
L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands médias relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning.
L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui
Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera votre compréhension du sujet.
Comme toutes nos formations, celle-ci vous présentera la dernière version stable de la technologie et ses nouveautés.
Objectifs
- Compréhension des principes fondamentaux du Machine Learning et de son évolution vers le Deep Learning
- Revue des principaux outils et applications
- Maîtriser les réseaux de neurones simples, convolutifs et transformers grâce à des exemples PyTorch
- Appréhender les modèles plus avancés : ResNet, LLMs, Vision Transformer
- Comprendre les modèles d’attention et transformer
- Connaître les bases théoriques, la mise en place d’une architecture et de convergence de réseaux de neurones
- Comprendre les limites et les avantages du deep learning
- Maîtriser les concepts des modèles génératifs de texte
Public visé
- Développeurs
- Architectes
- Big Data Data Analyst / Data Engineer / Data Scientist
- Ingénieurs
- Analystes
Pré-requis
- Connaissance de base en mathématiques surtout algèbre linéaire
- Connaissance de Python
- Connaissance de NumPy appréciée
Pré-requis techniques
- Avoir docker installé ou un accès à Google Colab
Pour aller plus loin
- Nous vous proposons en introduction un séminaire sur l’Intelligence Artificielle
- En complément la technologie Pytorch de Facebook ou TensorFlow de Google
Programme de notre formation Deep Learning et réseaux de neurones pour l’ingénieur
[Jour 1 – Matin]
Démystification et manipulation des données
- Lancement de l’environnement Docker ou Google Colab
- Introduction à Python, Jupyter Notebook, PyTorch et Pandas.
- Découverte des fondamentaux du Machine Learning : définition, cas d’usage et principaux défis
- Typologies d’algorithmes : supervisé, non supervisé, etc.
- Préparation de la donnée brute : analyse exploratoire, nettoyage, gestion des valeurs aberrantes/manquantes, mise à l’échelle.
- Atelier :
- Prise en main de PyTorch et pandas : manipulation des tenseurs et DataFrames
- Nettoyage et mise à l’échelle de la donnée sur un dataset
[Jour 1 – après-midi]
Modèles classiques et optimisation
- Descente de gradient, fonctions de coût et métriques d'évaluation.
- Sous-apprentissage, surapprentissage et validation croisée.
- Les bases du Machine Learning : Régression Linéaire, Logistique.
- Aperçu des méthodes d'arbres (Random Forest, XGBoost) souvent imbattables sur la donnée tabulaire industrielle.
- Revue des algorithmes non supervisés et exemple via scikit-learn
- Atelier : Implémentation manuelle d’une régression linéaire et logistique et apprentissage en PyTorch
[Jour 2 – matin]
Réseaux de neurones denses (MLP)
- Histoire du Deep Learning et architecture d’un réseau de neurones MLP (fonctions d’activation, poids) via torch.nn
- Manipulation des classes Dataset et DataLoader
- Rétropropagation et PyTorch Autograd.
- Régularisation (Dropout, Data Augmentation) et Optimiseurs (Adam, SGD)
- Notion d’embeddings et leurs importances en transfer learning
- Atelier : Substitution de la descente de gradient par autograd.
[Jour 2 – après-midi]
CNN et vision par ordinateur
- Principe des convolutions et pooling
- Architecture d’un CNN et comparaison avec un MLP
- Présentation de CNN avancés : VGG, ResNet et MobileNet
- Classification d’images avec transfer learning (ImageNet)
- Architecture du Convolutional Autoencoders pour la détection d’anomalie
- Atelier :
- Implémentation et apprentissage de LeNet-5 en PyTorch sur données MNIST
- Transfer learning à partir d’un modèle CNN avancé
[Jour 3 – matin]
RNN, LSTM et introduction aux Transformers
- Historique des couches pour le traitement séquentiel des données (RNN, LSTM, GRU) et approche classique des techniques Bag-of-Words
- Présentation de la couche Transformer et de BERT
- Transformers appliqués aux images : Vision Transformers (ViT)
- Atelier :
- Prédictions des tags sur des questions Stack Overflow : prétraitement via bag-of- words vs embeddings
- Substitution du modèle LeNet-5 par un modèle ViT
[Jour 3 – après-midi]
Ouverture sur les LLM et cas pratiques pour l’ingénieur
- Des Transformers à ChatGPT : entraînement, fine-tuning et alignement RLHF
- Choix des modèles : Taille, Quantification, cas d’usage, etc.
- Différence Fine-Tuning vs RAG
- Usage des API et de LLMs locaux pour le développement
- Prompt engineering : zero-shot, few-shot
- Atelier :
- Prédiction des sentiments de tweets via LSTM et/ou Transformers
- Prise en main d’Ollama, instanciation d’un chatbot via Open WebUI. Exercice de prédiction de sentiments via prompt engineering : zero shot vs few shot
Langues et Lieux disponibles
Langues
- Français
- Anglais / English
Lieux
-
France entière
- Paris
- Lille
- Reims
- Lyon
- Toulouse
- Bordeaux
- Montpellier
- Nice
- Sophia Antipolis
- Marseille
- Aix-en-Provence
- Nantes
- Rennes
- Strasbourg
- Grenoble
- Dijon
- Tours
- Saint-Étienne
- Toulon
- Angers
-
Belgique
- Bruxelles
- Liège
-
Suisse
- Genève
- Zurich
- Lausanne
-
Luxembourg
Nos Formateurs Référents
Eric
Témoignages
Les + : Extrêmement intéressante. Dans l’ère du temps et a des applications pratiques très concrètes.
Les – : Je dirais que c’était un peu rapide sur les parties pratiques, mais honnêtement ça restait très bien.
Je souhaite suivre : D’autres formations de ML ou celle sur les RAG dont Chakib nous a parlé.
En synthèse : Excellente formation qui a répondu à mes attente. C’était très intéressant et a couvert exactement ce que je voulais apprendre. Très grande valeur ajoutée et Chakib était très compétent, sympathique et pédagogue.
Afficher tous les témoignages
Les + : Extrêmement intéressante. Dans l’ère du temps et a des applications pratiques très concrètes.
Les – : Je dirais que c’était un peu rapide sur les parties pratiques, mais honnêtement ça restait très bien.
Je souhaite suivre : D’autres formations de ML ou celle sur les RAG dont Chakib nous a parlé.
En synthèse : Excellente formation qui a répondu à mes attente. C’était très intéressant et a couvert exactement ce que je voulais apprendre. Très grande valeur ajoutée et Chakib était très compétent, sympathique et pédagogue.
Les + : Formateur très pédagogue.
On aborde toutes les notions de deep learning.
Les – : Temps un peu court pour assimiler toutes les notions abordées.
Les + : Transverse, complet, disponibilité du formateur
Les – : La durée: un peu plus long pour aborder encore davantage de sujets
Les + : Grande pédagogie de l’intervenant pour expliquer la théorie et le fonctionnement des modèles. Lien fort avec les applications et contenu proche des dernières avancées de la recherche avec l’appui de travaux scientifiques.
Les – : Manque peut être de pratique, mais c’est compréhensible dans cette formation qui montre en 3 jours les différents modèles, leur fonctionnement et leurs applications : la tâche est déjà très vaste.
Les + : Les compétences du formateur
Les – : Ils sont cachés dans les feature maps !
Je souhaite suivre : Je n’ai pas connaissance de toutes les formations proposées
En synthèse : Une introduction à la formation réalisée par votre équipe a manqué dans le tout premier créneau
Je trouve que le curseur était très bien placé entre vulgarisation et détail! Très intéressant
bien détaillée et dense, bon formateur,
pour assimiler plus de choses il faudrait probablement plus de temps.
introduire plus le domaines d’applications de cette technologie et plus d’exemple concret
Merci Antoine, gestion de la formation très appréciable
Les + : le très bon niveau du formateur, sa disponibilité, son envie de nous transmettre et de se mettre à notre niveau. Egalement l’envie de ne pas trop rentrer dans les formules mathématiques, mais d’amener du concret dans les explications.
Les – : pas beaucoup de manipulation, mais ca me convient, car à distance ce n’est pas simple.
Je souhaite suivre : (je sais que ce ne sera jamais accepté par ma société):
Formation Linux RT: embarqué et temps-réel
En synthèse : vraiment une très bonne formation, que je recommande !
les examples/simulations concrètes pour comprendre les pcincipes théoriques
Connaître les outils de du machine et deep learning
manque d’applications durant la formation
Bonne vision transversale
Pas assez de pratique
bonne pédagogie, support de bonne qualité, formateur très compétent
Cette appréciation n’est pas lié à l’enseignant qui est très pédagogue. Je pense simplement que je n’avais pas les prérequis pour suivre cette formation dans de bonne conditions et donc je ne pourrais pas profiter de cet enseignement dans mes travaux de tous les jours.
Je vous suggère de proposer une formation « intermédiaire » qui s’attache plus à la mise en pratique concrète des réseaux de base (MLP, réseaux récurrents , convolution) sans aborder les formes les plus complexes et en intégrant dans les 3 jours de formations des « travaux pratiques » qui permettrait avantageusement de consolider la compréhension des concepts et leur principe. D’après moi, sans cela la formation reste trop théorique et ne me permet pas d’envisager une réalisation pratique dans mes travaux et ma fonction
Je me permet aussi de suggérer de prendre pour l’illustration des concepts des uses case plus variées (les exemples sur les traitement des images est un peu exclusif) s’appliquant notamment à des Times series qui ont de larges applications dans l’industrie.
je ne connais pas votre catalogue de formation. mais je suis preneur
Réponse d'Ambient IT
Bonjour David,
Nous vous remercions pour votre commentaire qui nous permet d’améliorer la qualité de nos formations.
Nous prenons en compte vos recommandations très pertinentes.
Noter la formation
| 2 090€ HT / personne |
| 3 jours (21 heures) |
UNE QUESTION ? UN PROJET ? UN AUDIT DE CODE / D'INFRASTRUCTURE ?
Pour vos besoins d’expertise que vous ne trouvez nulle part ailleurs, n’hésitez pas à nous contacter.
ILS SE SONT FORMÉS CHEZ NOUS
