Réseau de neurones et Deep Learning

Deep Learning
Durée: 2 jours
Paris
AI FORGE
Damien Darrigade
Damien a plus de 10 ans d'expérience de management international des Systèmes d'Information et de la Transformation Digitale. Il a occupé des postes de responsabilité, notamment chez Bouygues Telecom et Sanofi, où il a dirigé des équipes spécialisées en BI, IA, RPA et Lean Management.
Il intervient auprès de nombreux comptes CAC40 et moyennes entreprises en tant qu’initiateur et booster de la transformation.
Directeur du pôle d’expertise DATA & IA chez Acensi, il aide les organisations à prendre conscience de leur propre potentiel IA et DATA.
Ses équipes accompagnent leurs clients dans l’identification de Use Case à forte valeur ajoutée ainsi que sur la mise en place de ces projets innovants.
Son expérience en grands groupes et en startups lui offre une vision large des enjeux liés à l'IA et à la transformation digitale. Il est en recherche permanente de solutions et d'approches innovantes, au service de la performance des organisations.
 voir plus

Référence: IA FORGE006

Prochaines sessions
Prochaine date à venir

Objectifs

  • 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.

Programme

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
icon
Des experts

Parmi les meilleurs experts RH pour partager, transmettre et échanger sur les sujets clés de votre métier

icon
Des méthodes actives

Une pédagogie centrée sur la pratique, les échanges et les retours d’expériences

icon
Un réseau RH

Des échanges collaboratifs et actifs au service d’un apprentissage efficace
8 participants max. par session

icon
A votre rythme

Des formats de 2h à un an pour permettre à chacun de trouver le rythme et le format le plus adapté

Nos formations à la une