Maiîrisez le deep Learning

À l'issue de la formation, le participant sera en mesure de : -Appliquer les différentes méthodes d'optimisation -Maitriser les outils du cloud et des bibliothèques du Deep Learning -Appliquer les modules du Deep Learning aux données séquentielles -Créer des modèles RNN, les entraîner et les évaluer -Comprendre le modèles génératifs (GANs) et leurs applications

Introduction Deep Learning, Multilayer Perceptron : -Introduction au Deep Learning -Définition du Perceptron -Perceptron Training -MLP (multi-layer perceptron) -Intro Back Propagation & Chain Rule -Computation Graph Réseau de neurones : -Stochastic Gradient Descent (SGD) -Astuces pour améliorer SGD -Méthodes d'optimisation avancées -Entraînement des réseaux de neurones -GPUs dans Deep Learning -Introduction à la bibliothèque Keras Deep learning sur les images : -Rappel MLP -Convolution Layer -Convolution Design Parameter -L'intérêt de la convolution useful -Pooling Layer -Multiple Convolution Layer -Présentation CNN -Le factors -Trois architectures CNN de base -Entrainement CNN -Apprentissage par transfert (Transfer Learning) Deep Learning sur les données séquentielles : -Introduction à RNN -Entraînement RNN -Limitations de vanilla RNN -LSTM et GRU Modèles générationnels (Basic Generative Adversarial Networks (GANs)) : -Introduction aux GANS -Discriminateur -Générateur -BCE fonction de coût -Intro à PyTorch Deep Convolutional GANs : -Activations (Propriétés basiques) -Fonctions d'activation communes -Batch Normalization -Padding et Stride -Pooling et Upsampling -Convolutions transposées

Attestation de suivi de présence

Bonne connaissance en programmation python, en mathematique et en statistique.