Expertise

Intelligence Artificielle et Deep Learning

4.9/5

 5/5

Déployez des modèles de Deep Learning efficaces et développez des applications intelligentes avec de l’IA !

Objectifs pédagogiques

Notre formation en Deep Learning et Intelligence Artificielle est conçue pour aider les professionnels à maîtriser les compétences avancées nécessaires pour concevoir, mettre en oeuvre et déployer des modèles de Deep Learning efficaces, ainsi que pour développer des applications intelligentes en utilisant les techniques de l’Intelligence Artificielle. Les participants apprendront à utiliser des outils de pointe tels que TensorFlow, Keras, PyTorch et Scikit-learn pour résoudre des problèmes complexes dans divers domaines, tout en acquérant une expérience pratique grâce à des projets de Deep Learning du monde réel.

Acquérir les compétences pour construire et entraîner des réseaux de neurones, y compris des CNN et des RNN, ainsi que pour développer des algorithmes de classification et de détection avec Computer Vision.
Maîtriser les outils de pointe tels que TensorFlow, Keras, PyTorch et les transformers tels que BERT et GPT-2, ainsi que les librairies NLP telles que NLTK, TextBlob, SpaCy, Gensim, Pattern et Stanford CoreNLP.
Être en mesure de développer de puissants algorithmes de Deep Reinforcement Learning à l’aide de Keras-RL, tout en exploitant les connaissances acquises pour résoudre des problèmes complexes dans divers domaines.

Modalités et moyens pédagogiques

Notre méthode pédagogique combine des apports théoriques, des exemples concrets et des cas pratiques avec l’expertise de nos formateurs pour offrir une formation complète et engageante, qu’elle soit dispensée en visioconférence ou en présentiel.

Notre programme de formation en Deep Learning et Intelligence Artificielle est conçu pour offrir une évaluation approfondie des besoins de chaque participant, permettant ainsi une personnalisation du parcours de formation. Des évaluations régulières sont effectuées tout au long du parcours pour mesurer les progrès accomplis, et une évaluation finale est proposée pour évaluer les connaissances acquises. Cette approche individualisée permet aux participants d’acquérir des compétences et des connaissances spécifiques à leurs besoins, pour une expérience d’apprentissage plus efficace et pertinente en matière de Deep Learning et Intelligence Artificielle.

Niveau requis

Connaissances de base en programmation (Python de préférence).
Connaissances des mathématiques et de la statistique (algèbre linéaire, calcul différentiel et intégral, probabilités, statistiques descriptives).
Connaissances de base en informatique (structure de données, algorithmes, bases de données).

Public concerné

Ingénieurs
Data Scientists
Analystes de données
Développeurs de logiciels
Data Engineers
Architectes SI

Programme détaillé

Module 1 – Neural Networks

Apprendre à construire et entraîner vos premiers réseaux de neurones, ainsi qu’à comprendre les principes fondamentaux des réseaux de neurones.
Comprendre les architectures de réseaux de neurones, notamment les réseaux de neurones à convolution et les réseaux de neurones récurrents.
Étudier les différents types de couches de neurones et les fonctions d’activation couramment utilisées.

Module 2 – Convolutional Neural Networks (CNN)

Apprendre à entraîner vos CNN et à les appliquer à différents cas d’utilisation tels que la classification d’images, la segmentation d’images, la reconnaissance d’objets, etc.
Comprendre les architectures des CNN et les méthodes de prétraitement des données couramment utilisées.
Étudier les différentes techniques de régularisation pour éviter le surapprentissage et améliorer la performance des CNN.

Module 3 – Computer Vision et Deep Learning

Développer des algorithmes de classification et de détection avec Computer Vision en utilisant les frameworks TensorFlow, Keras et Darknet.
Comprendre les techniques de transfert de connaissances pour améliorer la performance des modèles de vision par ordinateur.
Étudier les techniques de reconnaissance de forme pour la segmentation d’images et la détection d’objets.

Module 4 – Natural Language Processing (NLP)

Découvrir les différentes librairies NLP telles que NLTK, TextBlob, SpaCy, Gensim, Pattern et Stanford CoreNLP.
Comprendre les méthodes de prétraitement des données pour les tâches de NLP telles que la classification de texte, l’analyse de sentiment, la génération de texte, etc.
Étudier les différentes architectures de modèles de NLP tels que les modèles de sacs de mots, les modèles de langue récurrents et les modèles basés sur des transformateurs.

Module 5 – Transformers et Chatbots

Apprendre à utiliser les architectures de modèles de traitement de langage naturel basées sur des transformateurs tels que BERT, GPT-2, T5, etc.
Construire des chatbots avancés tels que ChatGPT en utilisant les techniques de génération de texte basées sur des modèles de langage.
Étudier les différentes techniques de prétraitement des données pour améliorer la qualité des chatbots et des modèles basés sur des transformateurs.

Module 6 – Mise en pratique avec projet Data et IA

Ce module a pour objectif de mettre en pratique les outils et les techniques abordés lors de la formation à travers un projet Data et IA choisi librement qui sera fil rouge tout au long de la formation.
Les participants travailleront sur des datasets publics provenant de sources telles que l’Open Data, Google Datasets, et Kaggle pour appliquer les connaissances acquises dans les domaines de la classification, la segmentation, la détection d’objets, la reconnaissance de forme, la classification de texte, etc.
Les participants auront également l’occasion de travailler en équipe pour concevoir et mettre en oeuvre des projets de Data innovants et pertinents, tout en bénéficiant d’un encadrement personnalisé et de conseils d’experts.