• Action régionale
• PDF
•   Informatique
•    Francoise BOUVET

Objectifs

• Comprendre l'architecture des réseaux de neurones simples et profonds
• Comprendre et mettre en œuvre les différentes étapes d'un traitement de données par apprentissage profond (Deep Learning)
• Connaître deux structures de base des réseaux de neurone (perceptron multi-couche et réseau de convolution)
• Savoir évaluer les performances du modèle et identifier ses limites
• Savoir mettre en œuvre les connaissances et les techniques acquises avec les librairies de Deep Learning (Keras et PyTorch)

Afin de pouvoir constituer des groupes homogènes, nous vous remercions de bien vouloir compléter obligatoirement le questionnaire ci-après au moment de votre inscription : https://sondages.vjf.cnrs.fr/index.php?r=survey/index&sid=384417&newtest=Y&lang=fr

Public

Chercheurs et ingénieurs en lien avec des problématiques liées à la science des données, à l'aise avec le langage de programmation Python et désirant se lancer dans la mise en œuvre de traitement de données par apprentissage automatique.

Pré-requis

Connaissances solides en Python (utilisation des classes, manipulation de tableaux de données avec numpy et/ou pandas). Connaissances généralistes en algèbre linéaire et en statistique. Nous vous remercions de bien vouloir compléter le questionnaire ci-après : https://sondages.vjf.cnrs.fr/index.php?r=survey/index&sid=384417&lang=fr

Programme

• Introduction et concepts fondamentaux de l’apprentissage automatique
• Fondamentaux des réseaux de neurones (RN)
• Le neurone formel
• Le perceptron Multicouche (MLP), fonction d’activation, non linéarité
• De la régression linéaire au MLP via la régression polynomiale 
• Schéma général d’un entrainement de RN
• Mécanismes détaillés de l’algorithme de rétropropagation du gradient
• Évaluation des performances du modèle
• Optimisation des hyperparamètres du modèle et de l’entraînement
• Le réseau de convolution, autre structure de RN usuel

Méthodes pédagogiques

La formation sera structurée en alternance de cours et de TP d’application.

Il est demandé aux stagiaires de venir avec leur propre ordinateur sur lequel les logiciels et outils (libres) nécessaires à la formation seront préalablement installés. L’ensemble des besoins sera communiqué en amont de la session de formation.