Deep learning​

Statut actuel

Non-inscrit

Tarif

39,90 €

Commencer

Cette formation complète en Deep Learning vous permettra de maîtriser les concepts et les techniques essentielles pour concevoir, entraîner et déployer des modèles de deep learning performants. Vous apprendrez à travailler avec des architectures avancées telles que les réseaux convolutifs (CNN), récurrents (RNN), LSTM, ainsi que les réseaux génératifs antagonistes (GAN). Vous aborderez également des applications pratiques dans des domaines variés comme la vision par ordinateur, le traitement du langage naturel (NLP), et la génération de contenu. À travers des exercices pratiques et des projets réels, vous développerez des compétences solides pour déployer vos modèles en production. Cette formation est idéale pour les professionnels du machine learning et les passionnés d’intelligence artificielle souhaitant approfondir leur expertise en deep learning.

Ce cours contient :

- Une version écrite et très détaillée de tous les chapitres ;

- Une vidéo de chaque chapitre de la formation ;

- Des quiz après chaque chapitre pour tester la compréhension ;

- Des exercices et travaux pratiques corrigés ;

- Des projets et cas réels ;

- Un quiz final pour tester et valider la maitrise du module.

 

Un Certificat qui atteste de la bonne maitrise de ce cours est délivré à l'apprenant qui a réussi les différentes évaluations.

 

Un suivi régulier par un collaborateur progcours est possible moyennant des frais supplémentaires.

Contenu Cours

Introduction au Deep Learning
Qu’est-ce que le deep learning ?
Apprentissage supervisé, non supervisé, par renforcement
Introduction aux réseaux de neurones artificiels (ANN)
Historique et évolution
Deep learning vs approches classiques
Fondamentaux des Réseaux de Neurones
Neurones artificiels et fonctions d’activation
Architecture : couches d’entrée, cachées, sortie
Propagation avant et rétropropagation
Optimisation : fonction de coût et algorithmes (Gradient, Adam)
Overfitting et underfitting
Réseaux de Neurones Profonds (DNN)
Structure des DNN
Problèmes : disparition/explosion du gradient
Solutions : initialisation des poids, batch normalization
Pré-entraînement et fine-tuning
Stratégies pour améliorer les performances
Réseaux Convolutifs (CNN)
Introduction aux CNN : convolution, pooling, architecture
Couches convolutives et de pooling
Filtres, feature maps, padding
Réseaux pré-entraînés et transfer learning
Applications : classification, détection, segmentation d’images
1 de 3