Les mains dans l’IA : DEEP LEARNING PAR LA PRATIQUE

PUBLIC VISÉ ET PRÉ-REQUIS

Public :

Développeurs, ingénieurs, techniciens, chefs de projet ayant une aisance informatique ( python : algorithme et syntaxe) et souhaitant développer des compétences dans le traitement des données massives.

Pré-requis :

Connaissances en informatique: algorithme et syntaxe Python.
Connaissances en mathématiques: algèbre, statistiques et optimisation numérique.

PROGRAMME

• JOUR 1

BLOC 1 — Introduction au Machine Learning et à l’Intelligence Artificielle :
– Applications et enjeux
– Historique
– Mythes et réalités
– Outils, environnements, configuration

BLOC 2
Illustration : tâche de régression et de classification
Exercice : premier programme de ML sur une tâche de classification à partir d’un jeu de données synthétique ou réel

BLOC 3 — Intro MLP avec Keras
– Prise en main de la librairie Tensorflow avec Keras – Monitoring de l’apprentissage : le tensorboard
Illustration 1 : problème de régression linéaire Illustration 2 : réseau x-or

BLOC 4 — Intro MLP en détails
– Descente de gradient
– Rétro-propagation et différentiation automatique – Graphe d’un réseau
– Les API de TF2+
Illustration 1 : Calcul numérique sur un graphe en TF Illustration 2 : NN avec l’API Python
Illustration 3 : MLP avec l’API TF.layer et ses routines d’optimisation
Exercice : MLP en TF.layer sur une tâche de classification

• JOUR 2

BLOC 5 + 6 — Intro au Deep Learning. Du MLP au DL.
- Intro au DL. Du MLP au DL
- Limites et solutions actuelles
– Définition de l’architecture
- Optimisation des paramètres
Exercice : DNN sur une tâche de classification

BLOC 7 + 8 — Réseaux de neurones convolutionnels (CNN)
– Limites du MLP
- Couches de convolution
- Architecture d’un CNN
- Architectures modernes (ResNet, GoogLeNet, VGG, U-Net)
– Exercice

• JOUR 3

BLOC 9 — Réseaux de neurones récurrents (RNN)
– Modélisation de séquences
– Principe du RNN, représentations graphiques pliée/dépliée – Rétro-propagation à travers le temps
– Disparition/explosion du gradient
– Solutions avancées : LSTM, etc…
– Modèles séquence-à-séquence, mécanisme d’attention
Illustration 1 : RNN “à la vanille” sur une courbe simple d’évolution temporelle des données
Illustration 2 : RNN pour l’analyse de sentiment à partir de la base d’avis sur la base de films IMDB
Exercice : RNN et LSTM sur tâches de régression et de classification

BLOC 10 — Préparation au projet

BLOC 11 + 12 — Projet
Mise en œuvre d’une architecture neuronale pour résoudre une tâche à partir d’une base de données de référence issue du traitement du langage naturel ou de l’image