Volume horaire : 50h
Durée totale : 6 semaines

Nombre de séances en live : 25
Durée d’une séance en live : 2h

4 séances de live par semaine

• 25 séances de Live avec le formateur
• Un support de cours numérique
• Deux projets
• 20 heures de théorie
• 30 heures de pratique
• Un certificat de complétion

La formation en apprentissage machine (Machine Learning) est une branche de l'intelligence artificielle qui se concentre sur la création de systèmes informatiques capables d'apprendre sans être explicitement programmés. Cette formation comprend des concepts tels que l'apprentissage supervisé, non supervisé et renforcé, ainsi que des techniques telles que les réseaux de neurones, les arbres de décision et les algorithmes de clustering.

Les étudiants apprennent également à utiliser des outils tels que Python et TensorFlow pour implémenter des modèles d'apprentissage automatique. Les compétences acquises dans ce domaine sont largement utilisées dans de nombreux secteurs, tels que la finance, la santé, les médias et les technologies de l'information.

Des notions de base en :
Probabilité / Statistiques, langage interprété (Python), Analyse des données

• Décrire les concepts de la Machine Learning
• Connaître les principaux algorithmes utilisés en Machine Learning
• Comprendre les réseaux de neurones modernes et leur application en vision et traitement du langage naturel
• Connaître les blocs de construction des couches constituant les réseaux de neurones
• Construire des architectures complexes avec les Frameworks Keras et Tensorflow.

Chapitre 1 : Fondamentaux du Machine Learning (Niveau Débutant)

• Préambule
• Pipeline basique d’un Machine Learning
• Préparation des données
• Construction d’un modèle de ML

Chapitre 2 : Motivation au Machine Learning (Niveau Débutant)

• Historique
• Motivation
• Evaluation et fondamentaux du Deep Learning
• Overfitting et Underfitting

Chapitre 3 : Les élément de base du Deep Learning (Niveau Débutant)

• Comment formuler un problème de ML
• Apprentissage supervisé
• Apprentissage non-supervisé
• Reinforcement Learning
• Génération des ensembles de données (dataset)
• Les fonctions Loss
• L’algorithme de la descente du gradient
• Régression logistique
• Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.). Représentation des données par des tableaux (Numpy, Scipy, Pandas, Python) Représentation d’une prédiction par une classe (prédicteur, classifieur, estimator). Comment choisir le bon algorithme d’apprentissage automatique ?

Chapitre 4 : Biais, Variance et Régularisation (Niveau Intermédiaire)

• Risque empirique/risque réel
• Minimisation de risque empirique
• Analyse de l’erreur
• Compromis Biais/Variance
• Régularisation biais/variance
• La perspective bayésienne
• Exemple : régularisation régression logistique

Chapitre 5 : Rétropropagation (Niveau Intermédiaire)

• Forward Propagation
• Backward Propagation

Chapitre 6 : Convolutional Neural Networks (Niveau Avancé)

• DL et ML trends
• Détection d’objets
• Deep Neural Networks
• Inspiration des réseaux de convolution
• Les réseaux de neurones convoltutifs (CNNs)
• Reconnaissance et classification d’images de fleurs selon des critères observables (chargement d’une base, découverte du contenu, observation des données, visualisation avec Seaborn, apprentissage, prédiction)

Chapitre 7: Datasets et Architectures CNNs connues (Niveau Avancé)

• Les datasets connues
• Les architectures Deep Learning et leurs performances.
• Transfer Learning
• Transfert Learning

Chapitre 8: Datasets et Architectures CNNs connues (Niveau Avancé)

• C’est quoi la vision par ordinateur ?
• Qui utilise la vision par ordinateur ?
• Applications
• Historique
• Les défis
• Classification d’images
• Détection d’objets
• Segmentation
• OCR
• Feature Point Clustering
• Image Captionning
• Generative Adversial Networks (GAN)
• Bibliothèques et fonctions utiles de traitement d’images avec Python

Chapitre 9: Visualisation et transfert de style

• Que voit le cerveau ?
• Visualisation des filtres
• Visualisation des réponses des neurones
• Utilisation du gradient pour la visualisation
• Utilisation de la rétropropagation pour la modification d’images
• Comment quantifier le style dans les peintures/images
• Transfert de style

Chapitre 10: Les réseaux de neurones récurrents (RNN)

• Introduction aux RNNs
• Problème de la dépendance à long terme
• Long-Short-Term-Memory (LSTM)
• Applications
• LSTM pour la finance : prédire l’évolution des actions boursières

Chapitre 11: Natural Language Processing (NLP)

• Evolution du NLP
• Problème de la dépendance à long terme
• L’idée : pré-entrainement non supervisé
• Word2Vec
• Représentation contextuelle
• Natural Language Processing NLP (TAL) comme exemple du RNN

Chapitre 12: Generative Adversial Networks (GAN)

• Introduction au GANs
• Applications
• Idée Générale des GANs
• Construction du Discriminateur
• Construction du Générateur
• Log-Loss error function
• Construire une modèle de GAN pour générer/imiter des chiffres manuscrits.

Chapitre 13: Generative Adversial Network Examples

Chapitre 14: Meta-Learning et Recap