Nombre d’heure total : 20
Nombre d’heures de cours : 12
Nombre d’heure de travaux pratiques : 5

Nombre de séances en live : 8
Durée d’une séance en live : 2h

• 3h de Vidéos pré-enregistrées
• 16h de Live avec le formateur
• Certificat de complétion

Encore confus pour de nombreuses personnes, le Machine Learning est une science moderne permettant de découvrir des répétitions (des patterns) dans un ou plusieurs flux de données et d’en tirer des prédictions en se basant sur des statistiques. En clair, le Machine Learning se base sur le forage de données, permettant la reconnaissance de patterns pour fournir des analyses prédictives.

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

• Comprendre et appliquer le fonctionnement des grandes méthodes d’apprentissage dont le Deep Learning.
• Analyser des problèmes de type Data Analysis/ Data Science.

Chapitre 1 - Fondamentaux du Machine Learning (Niveau Débutant)

1. Préambule
2. Pipeline basique d’un Machine Learning
3. Préparation des données
4. Construction d’un modèle de ML

Chapitre 2 - Motivation au Machine Learning (Niveau Débutant)

1. Historique
2. Motivation
3. Evaluation et fondamentaux du Deep Learning
4. Overfitting et Underfitting

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

1. Comment formuler un problème de ML
2. Apprentissage supervisé
3. Apprentissage non-supervisé
4. Reinforcement Learning
5. Génération des ensembles de données (dataset)
6. Les fonctions Loss
7. L’algorithme de la descente du gradient
8. Régression logistique

 Travaux pratiques :

• 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)

1. Risque empirique/risque réel
2. Minimisation de risque empirique
3. Analyse de l’erreur
4. Compromis Biais/Variance
5. Régularisation biais/variance
6. La perspective bayésienne
7. Exemple : régularisation régression logistique

Chapitre 5 - Rétropropagation (Niveau Intermédiaire)

1. Forward Propagation
2. Backward Propagation

Chapitre 6 - Convolutional Neural Networks (Niveau Avancé)

1. DL et ML trends
2. Détection d’objets
3. Deep Neural Networks
4. Inspiration des réseaux de convolution
5. Les réseaux de neurones convoltutifs (CNNs)

  Travaux pratiques : 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)

1. Les datasets connues
2. Les architectures Deep Learning et leurs performances
3. Transfer Learning

 Travaux pratiques : Transfert Learning

Chapitre 8 - Vision par ordinateur

1. C’est quoi la vision par ordinateur ?
2. Qui utilise la vision par ordinateur ?
3. Applications
4. Historique
5. Les défis
6. Classification d’images
7. Détection d’objets
8. Segmentation
9. OCR
10. Feature Point Clustering
11. Image Captionning
12. Generative Adversial Networks (GAN)

 Travaux pratiques : Bibliothèques et fonctions utiles de traitement d’images avec Python

Chapitre 9 - Visualisation et transfert de style

1. Que voit le cerveau ?
2. Visualisation des réponses des neurones
3. Utilisation du gradient pour la visualisation
4. Utilisation de la rétropropagation pour la modification d’images
5. Comment quantifier le style dans les peintures/images
6. Classification d’images
7. Transfert de style

Chapitre 10 - Les réseaux de neurones récurrents (RNN)

1. Introduction aux RNNs
2. Problème de la dépendance à long terme
3. Long-Short-Term-Memory (LSTM)
4. Applications

 Travaux pratiques : LSTM pour la finance : prédire l’évolution des actions boursières

Chapitre 11 - Natural Language Processing (NLP)

1. Evolution du NLP
2. L’idée : pré-entrainement non supervisé
3. Word2Vec
4. Représentation contextuelle

 Travaux pratiques : Natural Language Processing NLP (TAL) comme exemple du RNN

Chapitre 12 - Generative Adversial Networks (GAN)

1. Introduction au GANs
2. Applications
3. Idée Générale des GANs
4. Construction du Discriminateur
5. Construction du Générateur
6. Log-Loss error function

 Travaux pratiques : Pratiques : Construire une modèle de GAN pour générer/imiter des chiffres manuscrits.

Chapitre 13 - Generative Adversial Network Examples

Chapitre 14 - Meta-Learning et Recap

À propos du formateur

Haythem GHAZOUANI, expert et consultant en intelligence artificielle et machines Learning, a 16 ans d’expérience dans les projets de recherche, l’enseignement et la formation. Il est certifié en Artificial Intelligence Analyst -Explorer Award et Mastery.

M. GHAZOUANI, docteur-ingénieur de l’université de Montpellier et l’école Nationale des sciences de l’informatique (ENSI), occupe le poste de maître-assistant à l’EniCarthage depuis 2011.