Formation deep learning avec Pytorch

Cette formation en deep learning est immersive et avancée. Elle expose les principes et les concepts de manière approfondie tout en insistant sur la mise en oeuvre avec des cas d'usage concret. Elle est destinée essentiellement à des profils ayant déjà une maîtrise des principes du machine learning, qui souhaitent acquérir des connaissances avancées en deep learning.

Objectifs de la formation

Cette formation intensive permet de :

Comprendre les principes fondamentaux du deep learning.
Avoir une vue complète sur le deep learning, ses approches et ses applications.
Acquérir une maîtrise avancée des concepts clés du deep learning et savoir les mettre en pratique.
Acquérir une méthodologie solide pour préparer, entraîner et optimiser un réseau de neurones profond.
Maîtriser le framework Pytorch pour pouvoir mettre en oeuvre de manière autonome des modèles de deep learning.

Dates

Du 23 au 27 juin 2025

Lieu

En ligne

Prix

Financement personnel ou entreprise : 1800€ HT.

Financement OPCO ou France Travail : 2600€ HT.

Possibilité de financement en 3 échéances.

Nombre de places

Afin d'assurer une qualité d'apprentissage optimale, le nombre de place est limité à 10.

Programme de la formation

Le programme alterne entre partie théorique et mise en pratique. Les concepts théoriques sont détaillés de manière approfondie et intuitive. La mise en pratique concerne des cas d'usage réels.

Introduction au deep learning

Brève histoire de l'intelligence artificielle
IA symbolique vs. IA connexionniste
Aux origines des neurones artificielles
L'apprentissage hebbien
Réseaux de Hopfield et mémoire associative

Fondamentaux du deep learning

Le monde comme représentation
Perceptron multicouches
Neurone artificielle
Fonctions d'activation
Descente stochastique du gradient
Techniques avancées d'optimisation : Adam, RMSProp.
Learning rate scheduling
Rétropropagation du gradient
Batch normalisation
Connexions résiduelles
Régularisation et Dropout
Travaux pratiques sous Numpy et Pytorch

Deep learning pour le computer vision

Extraction hiérarchique de représentations
Convolution et pooling
Biais inductifs des CNN
Architectures classiques : LeNet, AlexNet, ResNet.
Modèles pré-entraînés et transfert learning
Evolution des architectures CNN
Détection d'objets et YOLO
Segmentation d'images et U-Nets
Réseaux de neurones siamois
GANs
Mise en pratique sous Pytorch

Deep learning pour le NLP

Représentations distribuées
Modèle Word2Vec
RNN, GRU et LSTM
Transformers
Apprentissage auto-supervisé et BERT
Modèles auto-régressifs (GPT)
Supervised fine-tuning (SFT)
RLHF
Approximations bas rang
Mise en pratique sous Pytorch

Réseaux de neurones graphiques (GNN)

Données graphiques et tâches classiques
Représentations dans les GNN
Graph convolutional networks (GCN)
Graph attention networks (GAT)
Applications des GNN
Mise en pratique sous Pytorch Geomtric

Apprentissage non supervisé en deep learning

Applications : débruitage, réduction de dimensionalité
Concept d'espace latent
Architecture auto-encodeur
Auto-encodeurs variationnels
GAN
Mise en pratique sous Pytorch

Apprentissage multimodal

Importance des représentations
Modèle CLIP
Modèles génératifs
Modèles de diffusion
Mise en pratique sous Pytorch

Redha Moulla