DATASCIENCE : Deep Learning

  • Comprendre la différence entre Machine Learning & Deep Learning.
  • Utiliser des modèle de Deep Learning pour la computer vision.
  • Utiliser des modèle de Deep Learning pour la donnée textuelle (NLP).
  • Comprendre les réseaux de neurones et les architectures.
  • Deep Learning – Neutral Network, Deep Learning – Computer vision.
  • Deep Learning – Natural Language Processing, Deep Learning – Time Series.
  • Deep Learning – L’éthique en Intelligence Artificielle.

Exercices, supports et projets.

Exercices tout au long de la formation.

À QUI S’ADRESSE CETTE FORMATION ?

Public
Pré-requis
Compétences visées

Data Analysts, Développeurs Python,
Business Analysts, Statisticiens.

Avoir des bases en Python
& Machine Learning.

– Savoir mettre en place un modèle
de Deep Learning robuste.
– Bien choisir son modèle & savoir chercher
l’état de l’art pour la donnée à traiter.
– Analyser les performances d’un modèle.
– Utiliser des modèles pré-entraînés.
– Adapter un modèle à son besoin
(sa propre donnée).

PROGRAMME DÉTAILLÉ

OBJECTIF PÉDAGOGIQUE

THÈMES À ABORDER

JOUR 1

DEEP LEARNING – NEUTRAL NETWORK

  • Différence en ML & DL – Définitions
  • Que faire avec le Deep Learning? – Exemples concrets d’utilisation du deep learning
  • Réseaux de neurones standards – utilisation des réseaux de neurones classiques
  • Comment les réseaux de neurones s’adaptent?
  • Eviter le sur-apprentissage
  • Prédire les annulations de clients

DEEP LEARNING – COMPUTER VISION

  • Exemples concrets : Présentation de use case computer vision
  • Réseaux de convolutions – utilité et intuition derrière les réseaux de convolution
  • Data augmentation : améliorer la robustesse d’un modèle avec de la donnée générée
  • Autres paramètres de la Computer Vision : Présentation et utilisation des paramètres des réseaux de neurones utilisés en Computer Vision

JOUR 2

DEEP LEARNING – NATURAL LANGUAGE PROCESSING

  • Introduction au NLP : définition du NLP & use-case
  • Utilisation d’un modèle de génération de texte : présentation des meilleurs modèles
  • Exercice de classification de texte : classer des tweets de façon automatique
  • Certification NLP à passer – 3 exercices pour une certification Kaggle

JOUR 3

DEEP LEARNING – TIME SERIES

  • Introduction au Time Series : qu’est-ce qu’une série temporelle ?
  • Méthodes prédictives : différentes méthodes de prédiction
  • Projet – Utilisation des réseaux de convolution pour les séries temporelles

DEEP LEARNING – L’ÉTHIQUE EN INTELLIGENCE ARTIFICIELLE

  • Projet – Maîtriser le biais d’un modèle

Data Scientist expert avec une spécialisation en NLP (donnée textuelle).

CETTE FORMATION VOUS INTERESSE ?