Découverte des réseaux neuronaux et du Deep Learning

Introduction aux concepts fondamentaux

• Introduction au Machine Learning et à l'Intelligence Artificielle
• Présentation du Deep Learning et sa place dans l'IA
• Rappels sur la méthodologie d'entraînement d'un modèle de Machine Learning

Réseaux neuronaux simples

• Fonctionnement d'un neurone artificiel (regression linéaire, fonction d'activation)
• L'architecture d'un réseau neuronal feed-forward

Architectures de réseaux neuronaux

• Les réseaux neuronaux à convolution (CNN)
• Les réseaux neuronaux récurrents (RNN) et Long Short Term Memory (LSTM)
• Apprentissage non supervisé avec les auto-encodeurs
• Apprentissage par renforcement

Processus d'apprentissage

• Rétropropagation et optimisation
• Fonctions de coût
• Batch, epoch et iteration
• Overfitting : techniques de régularisation (dropout)

Pratique : Implémentation et fine-tunning d'un réseau de neurones avec Scikit-learn

Introduction à TensorFlow et Keras

• Présentation de TensorFlow : graphes, sessions, tensors
• Introduction à Keras et son intégration avec TensorFlow

Fonctions de base de Keras

• Construction d'un réseau neuronal avec Keras : modèle, couches, compilation
• Entraînement du modèle : ajustement, évaluation, prédiction
• Optimisation du modèle : sélection des paramètres, validation croisée

Pratique : Implémentation d'un réseau convolutionnel avec Keras

Problématiques usuelles en Deep Learning

• Augmentation de données (transformations, smote)
• Transfer learning (gel des poids, portion de structure)
• Interprétabilité du modèle et des résultats

Pratique : Fine-tuner un modèle à partir de VGG16 pour la détection d'images

Applications et tendances du Deep Learning

• Applications courantes du Deep Learning : reconnaissance d'images, NLP, recommandations
• Limites et risques du Deep Learning (biais, sécurité)
• Perspectives et tendances futures (modèles génératifs, modèles autonomes)