L'organisme de formation continue du CNRS
Accueil > Introduction pratique au Deep Learning

Formation - Introduction pratique au Deep Learning

RESPONSABLE

Kamel GUERDA

Ingénieur de recherche

UAR 851

LIEU

ORSAY (91)

ORGANISATION

2 jours
De 3 à 16 stagiaires

MÉTHODES PÉDAGOGIQUES

Alternance de cours et de travaux pratiques.
Tout au long de la formation, des exercices corrigés permettront au stagiaire d'évaluer son acquisition des connaissances.
Des supports de cours et des TP seront mis à disposition du stagiaire.

COÛT PÉDAGOGIQUE

1020 Euros

A L'ISSUE DE LA FORMATION

Evaluation de la formation par les stagiaires
Envoi d'une attestation de formation

DATES DES SESSIONS

Les informations indiquées pour cette page sont valables pour la première session à venir.
Avant de s'inscrire à une autre session, téléchargez son programme car des modifications mineures peuvent y avoir été apportées.

25023 : du lundi 03/02/2025 au mardi 04/02/2025 à ORSAY

25354 : du lundi 03/11/2025 au mardi 04/11/2025 à ORSAY

2025
Janvier Février
25023
Mars Avril
Mai Juin Juillet Août
Sept Oct Nov
25354
Déc
NOUVEAU
OBJECTIFS
-

Comprendre les concepts fondamentaux et théoriques du deep learning


-

Acquérir les bases techniques de Pytorch pour le développement et l'entraînement de modèles de deep learning


-

Apprendre une méthodologie pour la réalisation d'un projet en deep learning

PUBLICS
Cette formation s'adresse aux néophytes en intelligence artificielle (IA) souhaitant se familiariser avec les principes fondamentaux du deep learning.

N.B. Une formation sur les "Architectures du deep learning" est également proposée.

Prérequis : la formation étant introductive, les prérequis mathématiques sont les bases d'algèbre et de statistiques. Une connaissance de Python (syntaxe) est nécessaire pour le bon déroulement des sessions pratiques.
PROGRAMME
Cette formation aborde le deep learning de manière pragmatique, en définissant sa place dans l'écosystème de l'intelligence artificielle et en expliquant les concepts clés liés aux modèles, à leur entraînement et à l'exploitation des résultats. Les exercices pratiques, combinant l'utilisation d'interfaces graphiques intuitives et de notebooks en Python avec Pytorch, permettront une intégration efficace des concepts méthodologiques, favorisant ainsi le développement d'une pratique éclairée du deep learning.

- Réseaux de neurones :
. contexte, définitions, histoire
. rappel de concepts sur le machine learning
. fondamentaux du deep learning
. mise en pratique graphique
. Pytorch
. mise en pratique

- Méthodologie :
. gestion des données
. entrainement et évaluation d'un modèle
. tour d'horizon des architectures du deep learning
. mise en pratique
EQUIPEMENT
Pour une exécution efficace des parties pratiques, celles-ci se dérouleront sur le supercalculateur de l'IDRIS.
INTERVENANTS
N. Cassereau, P. Cornette, K. Guerda et T. Véry (ingénieurs)