Parcours CEDRE 4 - Analyse des données de recherche : introduction à l'Intelligence Artificielle par Apprentissage Profond (Deep Learning) - ST CHARLES

- Connaître le process d'ingestion des données.
- Maîtriser les outils d'aide à l'implémentation des réseaux de neurones.
- Construire une solide compréhension du vocabulaire entourant les réseaux de neurones.
- Décrire le perceptron comme base de réseaux de neurones.
- Décrire l'architecture des réseaux de neurones.
- Décrire l'utilisation des outils dédiés à l'Apprentissage profond.

1. Neurone biologique et perceptron (neurone artificiel), notations, fonctions d'activation, fonction de coût, programmation et test d'un perceptron.
2. Généralités sur les réseaux de neurones, rétro-propagation et algorithme de descente de gradient, outils (Tensorflow et keras), premier réseau de neurones.
3. Optimisation des réseaux de neurones, l'architecture, la régularisation.
4. Réseaux de neurones avancées : réseaux convolutifs, réseaux récurrents.
5. Hyperparamètres : noyau de convolution, pooling, paddinng ; et augmentation des données.
6. Apprentissage par transfert, architectures connues, Algorithmes pré-entrainés, adaptation des algorithmes, Fine tunning, Call-backs.

Impérativement venir avec votre ORDINATEUR PERSONNEL : préalablement équipé d'Anaconda (https://www.anaconda.com/)

- Venir impérativement avec votre ordinateur personnel sur lequel est déjà installé Anaconda https://www.anaconda.com/
- Solide compréhension du langage de programmation Python et connaissances du Machine Learning ou avoir suivi le module Parcours CEDRE 3

- Comprendre le processus d'ingestion des données dans les réseaux de neurones.
- Comprendre les types d'erreurs pendant l'instruction/entrainement des réseaux de neurones.
- Connaitre les types de réseaux de neurones et son application.
- Programmer un perceptron.
- Construire, entrainer et optimiser des réseaux de neurones avec l'aide des TensorFlow et Keras.
- Préparer les donnes pour l'ingestion d'un réseau de neurones.
- Tester et optimiser différents types de neurones.
- Debugger des codes dédiés à l'apprentissage profond.
- Réutiliser des architectures pre-entrainées et les adapter à ses besoins.

---

---

---

---