Informations à propos de la formation
Le formulaire a été soumis avec succès !
Une erreur s’est produite lors de l’envoi du formulaire. Veuillez vérifier à nouveau tous les champs.
Public cible
- Étudiants, ingénieurs ou enseignants souhaitant se spécialiser dans l’IA
- Professionnels de la Data Science, de la vision par ordinateur ou du traitement du langage naturel
- Développeurs et chercheurs souhaitant comprendre ou expérimenter les réseaux de neurones
Objectifs de la formation
Fournir une compréhension claire et progressive du Deep Learning (apprentissage profond), ses fondements mathématiques, ses architectures de réseaux de neurones et ses applications pratiques.
À l’issue de la formation, les participants seront capables de concevoir, entraîner et évaluer un modèle de Deep Learning simple pour le traitement d’images, de texte ou de données tabulaires.
Compétences visées
- Comprendre la logique et la structure d’un réseau de neurones artificiels
- Manipuler des frameworks de Deep Learning modernes (TensorFlow, Keras, PyTorch)
- Concevoir et entraîner des modèles simples pour l’image et le texte
- Analyser les performances et ajuster les hyperparamètres
- Identifier les limites, enjeux éthiques et perspectives du Deep Learning
Thématiques de la formation (12 semaines / 24h)
1. Introduction au Deep Learning et réseaux de neurones (4 h)
Objectifs spécifiques :
- Comprendre les différences entre Machine Learning et Deep Learning
- Identifier la structure et le rôle des neurones artificiels
- Découvrir les domaines d’application du Deep Learning
Contenu :
- Rappels sur le Machine Learning
- Qu’est-ce qu’un réseau de neurones ? (neurone, couches, activation)
- Apprentissage supervisé dans un réseau profond
- Cas d’usage : vision, langage, audio, robotique
Activités :
- Quizz interactif “Deep Learning ou pas ?”
- Visualisation d’un réseau simple avec TensorFlow Playground
2. Architecture et fonctionnement d’un réseau de neurones (6 h)
Objectifs spécifiques :
- Comprendre le fonctionnement interne d’un réseau profond
- Apprendre les principes de la rétropropagation et de l’optimisation
- Savoir configurer et entraîner un petit réseau de neurones
Contenu :
- Notions de couches (denses, convolutionnelles, récurrentes)
- Fonction d’activation, coût et descente de gradient
- Entraînement et validation d’un modèle
- Outils : TensorFlow/Keras ou PyTorch
Activités :
- Atelier pratique : créer un réseau pour reconnaître des chiffres (MNIST)
- Visualisation des résultats et ajustement des paramètres
3. Architectures avancées et applications pratiques (6 h)
Objectifs spécifiques :
- Découvrir les principales architectures modernes
- Comprendre les différences entre CNN, RNN, et Transformers
- Explorer les usages réels du Deep Learning
Contenu :
- CNN (Convolutional Neural Networks) pour la vision
- RNN et LSTM pour le texte et les séries temporelles
- Introduction aux Transformers et à l’IA générative
- Applications : reconnaissance d’images, NLP, audio, agents intelligents
Activités :
- Atelier : entraînement d’un CNN sur un jeu d’images simple
- Démonstration : classification de texte avec un modèle pré-entraîné
4. Optimisation, éthique et limites du Deep Learning (4 h)
Objectifs spécifiques :
- Comprendre les limites techniques et les défis du Deep Learning
- Identifier les enjeux éthiques, énergétiques et sociétaux
- Apprendre les bonnes pratiques de supervision et d’explicabilité
Contenu :
- Overfitting, régularisation et dropout
- Importance des données et du biais
- Coût énergétique et empreinte carbone
- Explicabilité et interprétation des modèles
- Cadres réglementaires (AI Act, RGPD)
Activités :
- Étude de cas : modèle biaisé en reconnaissance faciale
- Discussion : “Peut-on rendre le Deep Learning responsable ?”
5. Mini-projet pratique (4 h)
Objectifs spécifiques :
- Appliquer les acquis pour concevoir un mini-projet complet
- Travailler en équipe sur la conception, l’entraînement et la présentation d’un modèle
- Évaluer et interpréter les performances
Contenu :
- Choix du jeu de données (image, texte ou tableau)
- Conception du modèle, entraînement, évaluation
- Présentation des résultats et interprétation des erreurs
Activités :
- Travail en groupe sur un mini-projet (ex. classification d’images, prédiction de texte)
- Soutenance orale avec retour collectif
Méthodologie
- Alternance théorie / pratique
- Apprentissage par projet et expérimentation directe
- Utilisation de frameworks open source (TensorFlow, Keras, PyTorch)
- Études de cas issues du monde réel
Évaluation
- Évaluation continue : participation, exercices, mini-tests
- Évaluation finale : mini-projet pratique (entraînement et présentation d’un modèle)
- Auto-évaluation des acquis
Évaluation et Assurance Qualité :
À la fin de chaque programme de formation, les participants recevront un formulaire d’évaluation et d’assurance qualité.