• Action régionale
• PDF
•   Informatique

Objectifs

• Savoir identifier la nature d’un problème d’apprentissage automatique (Machine Learning)
• Comprendre l'architecture des réseaux de neurones simples et profonds
• Comprendre et mettre en œuvre les différentes étapes d'un traitement de données par Machine Learning
• Connaître les principaux algorithmes de l’apprentissage profond (Deep Learning)
• 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 TensorFlow (avec Keras) et Pytorch

Afin de pouvoir constituer des groupes homogènes, nous vous remercions de bien vouloir complèter obligatoirement le questionnaire ci-après au moment de votre inscription :  https://www.vjf.cnrs.fr/limesurvey2/index.php/514572/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://www.vjf.cnrs.fr/limesurvey2/index.php/514572/lang-fr

Programme

Introduction et concepts fondamentaux du Machine Learning

Fondamentaux des réseaux de neurones

Neurone formel

Perceptron Multicouche (MLP), fonction d’activation, non linéarité

De la régression linéaire au MLP via la régression polynomiale 

Schéma général d’un entrainement de réseaux de neurones

Mécanismes détaillés de l’algorithme de rétropropagation du gradient

Évaluation des performances du modèle

Optimisation des hyperparamètres du modèle et de l’entraînement

Les différentes architectures de réseaux de neurones

                Panorama des différentes architectures

                Focus approfondi sur les réseaux de convolution

                Autres types d’architectures et exemples d’applications

Echanges sur les projets en cours de chacun

Méthodes pédagogiques

50% du temps de la formation sera consacré à de la pratique autour de 4 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.