Trouvez votre prochaine formation en un clin d'œil !
Trouver ma formation
Je veux me former en
sélectionner
Inter-Entreprise
Mastère Spécialisé
?
Dans quel domaine ?
et plus précisément en
sélectionner
?
Dans quel sous domaine ?
Automatique et traitement de signal
Cloud et DevOps
Cybersécurité
Développement Durable et RSE
Electronique de puissance
Electronique et instrumentation
Energie électrique et thermique
Energies
Energies renouvelables et stockage d'énergie
Excellence opérationnelle
Gestion des conflits
Industrie 4.0
Ingénierie Systèmes
Innovation et Entrepreneuriat
Innovation et intrapreneuriat
Intelligence Artificielle
Intelligence collective et créativité
Leadership et développement personnel
Leadership et Management Collaboratif
Lean Management
Lean six Sigma
Management de Projets
Management de projets complexes
Marchés de l'énergie
Nouvelles architectures du SI
Numérique responsable
Numérique responsable, Green IT
Posture managériale
Projets de Transformation agile
Protection des réseaux d'énergie publics et industriels
Risk Management
RSE : stratégie durable et nouvelles gourvernances
Stratégie et Management de Projet
Stratégie et Nouveaux modèles d'affaires
Stratégie et Transformation de l'entreprise
Supply Chain
Système d'Information et Digital
Systèmes d'Information et Digital
Technologie et Systèmes Energies
Technologies & Systèmes
Technologies du numérique
Télécommunications
Transformation digitale
Transition écologique et Energétique
Upskilling
grâce à une
sélectionner
?
Quel type de formation ?
Formation certifiante
Formation diplômante
Certificat d'établissement
Formation courte
DécouvrIR les formations
Nouvelle formation

Contexte

Ces dernières années ont vu le développement des technologies de l'intelligence artificielle et leurs applications à un grand nombre de domaines. Ces applications ont permis la valorisation des données dans des domaines aussi variés que la vision par ordinateur (classification de scène, détection d’objets, segmentation sémantique/d’instance, génération d’images) ou le traitement du langage naturel (traduction automatique, reconnaissance de la parole, analyse de corpus textuels). Le renouveau des réseaux de neurones ces 10 dernières années a profondément influencé ces applications et s’expliquent par plusieurs facteurs : une meilleure compréhension théorique de la structure et l’optimisation des réseaux de neurones, la disponibilité d’une masse de données, l’utilisation des puces GPUs pour accélérer le calcul.
Cette formation propose une introduction aux principales architectures de réseau de neurones pour adresser des problèmes en vision par ordinateur et en traitement automatique du langage naturel. Le contenu pédagogique est à la fois théorique et pratique, une partie étant consacrée à la réalisation de projets en Deep Learning avec accès à des ressources GPUs. Les TPs seront réalisés avec le framework pyTorch.

ObjectifS


A l’issue de cette formation, le participant sera en capacité de :
- FORMALISER un problème d’apprentissage automatique en vision par ordinateur et traitement du language naturel.
- IDENTIFIER les architectures de réseau les plus appropriées pour répondre à ce problème.
- CODER et DEPLOYER la solution identifiée.

PROGRAMME

  • Introduction aux réseaux de neurones (1 jour)
    - Avoir un recul historique sur le développement des approches de deep learning.
    - Introduction aux modèles linéaires, et aux fonctions de perte, convexité (régression linéaire, régression logistique binaire et multiclasse).
    - Apprentissage d’un espace de projection : réseaux RBF, réseaux multicouches non-linéaires,
    - Optimisation d’un réseau de neurone par descente de gradient, calcul du gradient par propagation arrière dans un graphe de calcul.
    - Optimisation des réseaux de neurones (algorithmes d’optimisation du premier ordre à taux d’apprentissage constant ou adaptatif, initialisation).
    - Améliorer la généralisation d’un réseau de neurone en utilisant des techniques de régularisation (L1/L2, early stopping, dropout).
    - Être familiarisé avec l'écosystème de développement (frameworks, GPU).

    L’après midi sera dédiée à la réalisation d’un TP d’introduction à pytorch montrant comment structurer proprement son projet et le coder avec les différents briques : chargement des données en minibatch, construction/initialisation d’un modèle, régularisation, boucle d’entrainement, monitoring de l’entrainement, sauvegarde/recharge du meilleur modèle, etc...
  • Réseaux convolutifs et applications (1 jour)
    - Introduction à la structure des réseaux convolutifs (CNNs): un réseau feedforward fortement régularisé.
    - Pré-apprentissage/Transfert et augmentation de données?
    - Techniques d’interprétation des CNNs.
    - Architectures pour la détection d’objets.
    - Architectures pour la segmentation sémantique.

    L’après midi sera dédiée à la réalisation d’un TP de segmentation sémantique avec un modèle de type U-Net sur les données Stanford-2D-3D-S.
  • Deep learning pour le traitement automatique du langage naturel (1 jour)
    - Se familiariser avec les spécificités des données textuelles.
    - Connaître les modèles adaptés aux différentes tâches/données.
    - Connaître les outils permettant des visualiser et préparer des données (jupyter notebook, pandas, mathplotlib).
    - Représentation de données textuels sous forme vectorielle.
    - Introduction aux réseaux de neurones récurrents.

    L’après-midi sera dédiée à la réalisation d’un TP mettant en application les notions abordés le matin dont l’extraction de représentations de mots ( word2vec ), l’analyse de sentiments et la génération de texte à l’aide d’un modèle de langue.
  • Mécanismes d’attention et Transformeurs (1 jour)
    - Introduction aux mécanismes d’attention ainsi qu’aux modèles Transformeurs.
    - Connaître les outils facilitant la réalisation et le monitoring d'expériences (tensorflow/tensorboard).
    - Connaître les outils et modèles disponibles ainsi que les différents acteurs (Huggingface, Facebook AI Research, Google DeepMind, OpenAI, …).

    L’après-midi sera dédiée à la réalisation d’un TP mettant en application les notions abordés le matin dont l’utilisation des transformeurs pour une tache d’interprétation en langage naturel (NLI) sur le corpus SNLI (Stanford Natural Language Inference).
  • Cas d’usage (1 jour)
    - Mise en pratique sur deux cas d’usages des différentes notions abordées dans la formation.
    - Savoir entraîner un modèle génératif sur des images.
    - Savoir construire un agent conversationnel (chat-bot) personnalisé.

    Modèles génératif pour l’image: La génération d’image a connu une grande évolution ces dernières années depuis l’introduction des modèles GANs en 2014 et leurs développements successifs (e.g. StyleGAN). Nous disposons aujourd’hui d’algorithmes capables de produire des images réalistes de très grande qualité, ce qui s’accompagne de questions autour de la génération de fausses informations. La matinée sera consacrée à la présentation de ces avancées sur les modèles génératifs ainsi qu’à une mise en pratique par l’entraînement d’un modèle pour la génération d’images.

    Modèles de génération de texte: La récente mise à disposition de ChatGPT par OpenAI a mis en lumière les avancées spectaculaires du traitement automatique du language naturel de ces dernières années, ainsi que les futurs bouleversement sociétaux induits par cette nouvelle technologie. L’après-midi sera consacrée une présentation de ces modèles, ainsi qu’à la construction d’un agent conversationnel à l’aide d’un modèle transformeur auto-régressif (modèle utilisé par chat-GPT). Pour cela, nous exploiterons un modèle pré-entraîné sur de gros corpus textuels, que nous raffinerons sur un corpus dédié à l’apprentissage d’agents conversationnels.

Pré-requis

Notions d’algèbre linéaire.
Notions de probabilités et statistiques.
Notions de programmation (python).

public concerné

- Ingénieurs de recherche et développement.
- Data scientists.
- Informaticiens.
- Mathématiciens qui souhaitent se convertir à l’IA.

en pratique

Méthodes pédagogiques

Formation en salle.
Travail de programmation individuel ou en groupe sur des cas pratiques.

Moyens pédagogiques

Se munir d’un ordinateur portable avec des droits utilisateurs (pour installer un logiciel de connexion aux clusters GPUs de l’école).

Modalités d'évaluation

L'évaluation des connaissances acquises en formation s'appuie sur la réalisation de mise en situation et des études de cas mises en œuvre par le formateur.

Les + de la formation

- Formation élaborée avec des intervenants reconnus.
- De nombreux cas pratiques avec mise en oeuvre sur des GPUs et du code Python.

Statistiques

85/100
Taux de satisfaction globale pour 389 formations
(sur un panel de1531 répondants sur les 4140 participants en 2023)

89/100
de satisfaction globale relative aux formateurs en 2023 pour 389 formations
(sur un panel de 1531 répondants sur les 4140 participants en 2023)

Votre contact pour cette formation

Alexandra Dasniere
Chargée d'affaires

+33 (0)1 75 31 63 45

Ils vous en parlent

« La formation DL01 offre une plongée approfondie dans le domaine du Deep Learning, mettant l'accent sur la génération d’image, la vision par ordinateur, et les modèles de langage naturel tels que le Chat-GPT. Conçu pour les professionnels cherchant à maîtriser les aspects théoriques et pratiques du Deep Learning, ce programme propose de former les participants en leaders techniques de cette révolution numérique. En comprenant les nuances de la génération d'image, de la vision par ordinateur et des modèles de langage naturel, les participants seront armés des compétences nécessaires pour innover dans des domaines allant de l'intelligence artificielle à la transformation numérique. La formation DL01 vise à outiller les individus avec les bases et les techniques les plus avancées, tout en encourageant une perspective critique essentielle dans un monde où l'intelligence artificielle occupe une place croissante dans nos vies. »

Joël LEGRAND 
Associate professor in Computer Science 
LORIA – INRIA Nancy-Grand Est

Nouvelle formation

Génération d’image, vision par ordinateur et modèles de langage naturel (Chat-GPT) : Deep Learning, théorie et pratique

Pour participer à la prochaine session
Ce programme est disponible en intra-entreprise pour former vos collaborateurs
Référence :
DL01-24
Prix :
3 750€ (HT)
Télécharger la brochure
  • Du 12/06/2024 au 21/06/2024
    Du 09/10/2024 au 18/10/2024
    Contactez-nous pour en savoir plus sur les prochaines dates de ce parcours.
    + Plus de dates
  • 5 jours - 35 heures
  • Paris (75015)

Ils parlent de cette formation

Vidéos
articles

Formations sur le même thème

Cybersécurité et management des risques numériques par la méthode EBIOS RM

2 250€ (HT)
  • 3 jours - 22,50 heures
  • Paris (75015)
En savoir +
https://outlook.office365.com/owa/calendar/CentraleSuplecExed2@centralesupelec.fr/bookings/s/tZsaPCwDMkOHNg2lqjqqYg2

La régulation des usages de l’intelligence artificielle

890€ (HT)
  • 1 jour - 7 heures
  • Paris (75015)
En savoir +
https://outlook.office365.com/owa/calendar/CentraleSuplecExed2@centralesupelec.fr/bookings/s/TsyutpVEqkm_VvhxqSjCqQ2

Piloter un projet digital

Bonnes pratiques et spécificités

4 150€ (HT)
  • 5 jours - 35 heures
  • Paris (75015)
En savoir +
https://outlook.office365.com/owa/calendar/CentraleSuplecExed2@centralesupelec.fr/bookings/s/jPBHCAwTmkKcJ8UizKxkUw2
toutes nos formations
DL01-24
fr_FR
Aller au contenu principal