Réseau de neurones et Deep Learning

• Comprendre les bases des réseaux de neurones et maîtriser les concepts fondamentaux.
• Apprendre les techniques d’entraînement et d’optimisation des réseaux de neurones.
• Comprendre le fonctionnement et les applications des réseaux de neurones récurrents et des LSTM.

1. Introduction aux réseaux de neurones et Deep Learning

• Concepts de base : neurone artificiel, fonctions d’activation, architectures.
• Historique et évolution du Deep Learning
• Applications du Deep Learning et cas d’usage
• Introduction aux frameworks de Deep Learning (TensorFlow, PyTorch).

2. Les fondamentaux des réseaux de neurones

• Le perceptron : définition, structure, fonctionnement, algorithme d’apprentissage et limites.
• Structure d’un réseau de neurones
• Propagation avant
• Fonctions de coût et de perte.
• Fonction d’activation (Sigmoid, ReLU, Tanh).

3. Entraînement des réseaux de neurones

• Algorithme de rétropropagation (backpropagation).
• Gradient descent et variantes.
• Techniques de régularisation (Dropout, L2 Regularization).
• Hyperparamètres et leur optimisation ).

4. Réseaux de neurones convolutionnels (CNN)

• Concepts de base des CNN (convolution, pooling)
• Architectures CNN populaires
• Applications des CNN

5. Réseaux de neurones récurrents (RNN) et LSTM

• Introduction aux réseaux de neurones récurrents (RNN)
• Introduction aux LSTM et GRU
• Applications des RNN et LSTM
• Introduction aux Transformers

Points Forts Acensi