Deep Learning

Deep Learning « L’intelligence artificielle (IA), et plus particulièrement les algorithmes élaborés d’apprentissage automatique (machine learning) et d’apprentissage profond (deep learning), promettent de changer nos sociétés et pourront relever les plus grands défis de ce siècle » par Olivier Bousquet, directeur de « Google IA Europe ». A l’issue de cette formation, les participants auront la capacité de programmer des algorithmes d’apprentissage profond (deep learning) selon les principales architectures existantes. Niveau I : Introduction et réseau de neurones profonds directe vers l’avant

• Introduction et contexte
• Machine Learning dans le contexte supervisé
• Le neurone formel
• Les réseaux de neurones
• Algorithme de la descente du gradient
• Deep Learning: CPU, GPU et cluster
• Theano, Tensorflow et Keras
• Réseau de neurones profonds directe vers l’avant (Deep feed-forward neural network)
• Etude de cas selon le domaine des participants

Niveau II : Réseau de neurones convolutifs et récurrents 1) Réseau de neurones convolutifs (Convolutionnal Neural Networks)

• Propriétés de convolution
• Couches de convolution
• Consolidation (Pooling)
• Etude de cas selon le domaine des participants

2) Réseau de neurones récurrents (Recurrent Neural Networks)

• Prédiction des séries temporelles
• Réseau de neurones récurrents à mémoire court-terme et long terme (LSTM Recurrent Neural Networks)
• Réseau de neurones récurrents à mémoire court-terme et long terme pour la régression (LSTM Network For Regression)
• Réseau de neurones récurrents à mémoire court-terme et long terme en utilisant la méthode fenêtre (LSTM For Regression Using the Window Method)
• Réseau de neurones récurrents à mémoire court-terme et long terme avec pas temporel (LSTM For Regression with Time Steps)
• Etude de cas selon le domaine des participants