Deep Learning

Cette formation s’adresse à des personnes souhaitant :

• Découvrir les concepts et les applications du Deep Learning et la mise en œuvre de quelques algorithmes majeurs comme les réseaux neurones et le modèle convolutif,
• Comprendre la mise en œuvre d’une tâche d’apprentissage,
• Exploiter des modèles existants dans un objectif de visualisation de données.

La formation se déroulera en Python.

• Utiliser de Python pour le Deep Learning et le Machine Learning,
• Définir les concepts sous-jacents du Machine,
• Définir les concepts sous-jacents du Deep Learning,
• Comprendre les éléments clef de la mise en œuvre d’une tâche d’apprentissage supervisé par Deep Learning,
• Exploiter des modèles existants pour faire du traitement et de la visualisation de données.

Avoir des bases en programmation ainsi qu’une bonne maîtrise en statistiques

Tout Public

• Introduction et définition,
• Comprendre les principes généraux du langage Python,
• Présentation des familles de méthodes en Machine Learning,
• Limites des méthodes classiques,
• Préparation des données,
• Evaluation de la qualité du modèle,
• Focus sur les méthodes suivantes : principes, mise en œuvre et interprétation des résultats,
• Introduction au Deep Learning,
• Multi Layer Perceptron (MLP),
• Convolutive Neural Network (CNN),
• Recurrent Neural Network (RNN),
• Comment choisir entre MLP, CNN et RNN ?,
• Exemple de mise en oeuvre avec Python (Keras, PyTorch, Tensorflow).

Les formateurs de Seenovate sont des consultants expérimentés et certifiés. Ils appuient leur pédagogie sur leur expertise terrain en conseil et en réalisation de projet en statistique et data science.

Méthodes et moyens : 

• Une convention de formation
• Une enquête en amont sur les attentes des stagiaires
• Feuilles d’émargement signées à chaque session
• 1 vidéoprojecteur par salle / 1 poste de travail par stagiaire
• Explications théoriques suivies de pratiques guidées puis mises en autonomie

Méthode d’évaluation des acquis : 

• Quiz et exercices d’applications tout au long de la formation
• Evaluation de fin de stage
• Attestation de suivi de formation

Support stagiaire :  

• Support de cours électronique (dématérialisé) / En français