L’environnement

Python est un langage clair, intuitif, massivement répandu, et devenu incontournable dans le traitement de données, l’ingénierie scientifique et l’intelligence artificielle.

Objectifs pédagogiques

À l’issue de la formation, le·la stagiaire sera capable de :

  • Comprendre les limites du deep learning
  • Concevoir un projet de deep learning
  • D’utiliser des bibliothèques de deep learning
  • Appliquer des techniques de traitement d’images

Public concerné

Technicien·ne·s, ingénieur·e·s, développeur·se·s, scientifiques, enseignant·e·s.

Prérequis

Maîtriser les librairies scientifiques NumPy et pandas ou avoir suivi la formation « Python Scientifique ».
Un questionnaire de pré-formation est proposé pour valider l’adéquation entre le besoin et la formation.

Programme de la formation

Introduction

  • Réseau de neurones : l’inspiration biologique
  • Quelques grandes dates du deep learning
  • L’intelligence artificielle dans la démesure : quelques chiffres
  • Quels packages utiliser pour faire du deep learning ?

Un projet de deep learning

  • Quelles étapes pour entraîner un modèle de deep Learning ?
  • Un exemple simple avec le perceptron
  • Qu’est-ce que le rétropropagation du gradient ?

Utilisation de Keras et PyTorch

  • Tutoriel Keras
  • Tutoriel PyTorch

Des modèles de deep learning

  • CNN : Convulational Neural Networks
  • Encoder-Decoder, AE, VAE, U-Net
  • Attention is all you need
  • LLM

Quelques applications

  • Coder avec l’IA
  • Des exemples d’applications « grand public »

Traitement d’images

  • Reconnaissance d’images
  • Détection d’objets
  • Applications avec PyTorch, OpenCV et YOLO