Fondamentaux du Deep Learning
En vous initiant au Deep Learning, ce cursus vous permettra d’approfondir vos connaissances en Machine Learning afin de vous spécialiser. A l’issue de cette formation, vous serez en mesure de traiter des séries temporelles, construire des réseaux de neurones et construire des modèles performants grâce aux outils adéquats (Keras, TensorFlow…)
1 700 € HT
Modalités de la formation Fondamentaux du Deep Learning
E-LEARNING + DISTANCIEL
Durée
100 heures
Tarifs
1700 € HT/pers
Tarif Intra sur demande
Public visé
Personnes ayant une appétence pour la Data souhaitant se reconvertir ou faire évoluer ses compétences.
Prérequis
Avoir déjà suivi une formation Data Scientist ou occupé un poste de Data Scientist depuis 2 ans.
Objectifs pédagogiques
- Comprendre la force et les enjeux du Deep Learning
- Comprendre le fonctionnement d’un réseau de neurones
- Utiliser le Transfer Learning pour améliorer les performances et la robustesse de vos modèles
- Maitriser TensorFlow
- Acquérir une base solide en prétraitement de séries temporelles.
Méthodes pédagogiques
- Pendant 20 % du temps, vous êtes accompagnés par votre professeur et votre cohorte pour des sessions de visioconférence. Vous aurez ainsi des points collectifs (masterclass live, cours de soutien. Tous nos professeurs sont internalisés et travaillent à temps pleins pour DataScientest.
- Pour les 85 % restants, vous travaillez sur notre plateforme avec le soutien d’une cellule support disponible par messagerie instantanée et d’un forum disponible à tout moment.
Modalités d’évaluation
- Test d’entrée et de sortie pour valider les compétences acquises.
- L’évaluation est réalisée tout au long de la formation grâce à des use cases métiers permettant de vous mettre en situation.
Délais d’accès
10 jours ouvrés minimum entre la demande du bénéficiaire et le début de la formation.
Accessibilité
Formation accessible aux personnes en situation de handicap.
Programme de la formation Fondamentaux du Deep Learning
I/ Les fondamentaux du Deep Learning
Deep Learning avec Keras
- qu’est-ce que le Deep Learning?
- Rappel sur l’optimisation et la régression linéaire.
- Rapprochement de la régression linéaire et le neurone artificiel Dense Layer avec Keras.
- Traiter un problème de régression et de classification avec Keras
- Influence des différents hyper paramètres
Réseaux de neurones convolutifs avec Keras
- Couche de Convolution.
- Couche de Pooling.
- Réseau de neurones convolutifs.
- Augmentation de données et couche de dropout.
- Introduction au Transfer Learning avec le modèle VGG16.
II/ TensorFlow et Application
Introduction à TensorFlow
- Notions de tensor, operation et graphe.
- Écrire la régression linéaire et polynomiale sur TensorFlow.
- Rapprochement avec le framework Keras.
- Les datasets, les itérateurs et les générateurs sur TensorFlow.
- Personnaliser les modèles et les fonctions de pertes à votre problématique.
- Ajouter et personnaliser des callbacks pour contrôler méticuleusement l’entraînement d’un modèle.
- Utiliser TensorBoard pour visualiser l’évolution du modèle Deep Learning pour les séries temporelles
Application sur la reconnaissance vocale
- Introduction à la problématique de reconnaissance vocale.
- Transformée de Fourier, spectrogramme, échelle MEL.
- Augmentation de données sur l’audio.
- Implémentation d’un modèle de reconnaissance de commande audio.
- Fonction de perte CTC, Best path decoding, Beam search decoder.
- Implémenter un modèle de reconnaissance vocale.
III/ Deep Learning pour les séries temporelles
Prétraitement et ingénierie des caractéristiques
- Cyclisation des variables temporelles.
- Cyclisation des variables angulaires.
- Transformée de Fourier.
- Time Lagged Features et corrélation croisée (Cross Correlation).
- Statistiques par fenêtre mobile et fenêtre expensive.
Régression séries temporelles
- Multi Layer Perceptron.
- CNN univarié et multivarié.
- RNN univarié.
- Auto-régression et extrapolation de séries temporelles.
- Prédiction par fenêtre mobile.
Classification séries temporelles
- Human Activity Recognition et détection d’anomalies médicales
- Classification de vidéos.
- Architecture ConvLSTM
