Deep Learning Specialization Training

Deep Learning Specialization Training

Ce cours complet fournit les connaissances et les compétences nécessaires pour déployer efficacement des outils d'apprentissage profond à l'aide de cadres AI/ML. Vous explorerez les concepts fondamentaux et les applications pratiques de l'apprentissage profond tout en acquérant une compréhension claire des distinctions entre l'apprentissage profond et l'apprentissage automatique. Le cours couvre un large éventail de sujets, y compris les réseaux neuronaux, la propagation vers l'avant et vers l'arrière, TensorFlow 2, Keras, les techniques d'optimisation des performances, l'interprétabilité des modèles, les réseaux neuronaux convolutifs (CNN), l'apprentissage par transfert, la détection d'objets, les réseaux neuronaux récurrents (RNN), les autoencodeurs, et la création de réseaux neuronaux dans PyTorch.

À la fin du cours, vous aurez une base solide dans les principes de l'apprentissage profond et la capacité de construire et d'optimiser des modèles d'apprentissage profond efficacement en utilisant Keras et TensorFlow.

Caractéristiques principales

• Cours et matériel en anglais
• Niveau intermédiaire - avancé
• 1 an d'accès à la plateforme et aux enregistrements des cours
• 6 heures de leçons vidéo
• 40 heures de cours en ligne en direct
• 50 heures de recommandation de temps d'étude
• 3 projets de fin de cours
• Laboratoire virtuel inclus pour s'entraîner
• 1 test d'évaluation
• Pas d'examen mais un certificat d'achèvement est inclus

Résultats d'apprentissage :

• Faire la différence entre l'apprentissage profond et l'apprentissage automatique et comprendre leurs applications respectives.
• Acquérir une compréhension approfondie des différents types de réseaux neuronaux.
• Maîtriser les concepts de propagation vers l'avant et de propagation vers l'arrière dans les réseaux neuronaux profonds (DNN).
• Comprendre les techniques de modélisation et l'amélioration des performances dans l'apprentissage profond.
• Comprendre les principes du réglage des hyperparamètres et de l'interprétabilité des modèles.
• Apprendre des techniques essentielles telles que l'abandon et l'arrêt précoce et les mettre en œuvre efficacement.
• Développer une expertise dans les réseaux neuronaux convolutifs (CNN) et la détection d'objets.
• Acquérir une solide compréhension des réseaux neuronaux récurrents (RNN).
• Se familiariser avec PyTorch et apprendre à créer des réseaux neuronaux à l'aide de ce framework.

Public cible

Ingénieurs logiciels et développeurs - Ceux qui cherchent à intégrer l'IA et l'apprentissage profond dans leurs projets.

Scientifiques et analystes de données - Professionnels souhaitant élargir leurs compétences en matière de réseaux neuronaux et d'apprentissage automatique.

Passionnés d'IA/ML - Personnes passionnées par l'intelligence artificielle et désireuses de créer des applications concrètes.

Étudiants et chercheurs - Étudiants de premier ou deuxième cycle en informatique, en mathématiques ou dans des domaines connexes.

Professionnels de l'informatique et du cloud - Ceux qui travaillent dans le domaine du cloud computing, du DevOps ou de l'infrastructure et qui ont besoin de comprendre les modèles d'intelligence artificielle.

Gestionnaires d'entreprise et de produits - Professionnels qui ont besoin de connaissances en matière d'IA pour prendre des décisions fondées sur des données et développer des produits alimentés par l'IA.

Entrepreneurs et startups - Innovateurs visant à créer des entreprises axées sur l'IA ou à améliorer les produits existants avec l'apprentissage profond.

Prérequis :

La programmation de base en Python, la connaissance de l'algèbre linéaire, des probabilités et quelques notions de base de l'apprentissage automatique sont fortement recommandées.

Sujets abordés :

Introduction à l'apprentissage profond

• Brève histoire de l'IA
• Motivation pour l'apprentissage profond
• Différence entre l'apprentissage profond et l'apprentissage automatique
• Succès de l'apprentissage profond
• Applications de l'apprentissage profond
• Défis de l'apprentissage profond
• Cadres d'apprentissage profond
• Cycle complet d'un projet d'apprentissage profond
• Réseaux neuronaux et types de réseaux neuronaux

Perceptron

• Propagation vers l'avant dans le perceptron
• Rôle des fonctions d'activation
• Rétropropagation dans le perceptron
• Algorithme de descente de gradient
• Limites du perceptron

Réseaux neuronaux profonds

• Qu'est-ce qu'un réseau neuronal profond et pourquoi est-il utile ?
• Fonctions de perte
• Propagation vers l'avant dans les réseaux neuronaux profonds
• Propagation à rebours dans les DNN
• Introduction à TensorFlow
• Entraîner un DNN avec TensorFlow
• Introduction au terrain de jeu de TensorFlow

TensorFlow

• Introduction aux tenseurs
• API séquentielles dans TensorFlow
• Introduction à Keras

Optimisation des modèles et amélioration des performances

• Introduction aux algorithmes d'optimisation
• Introduction à SGD et implémentation
• Introduction à Momentum et implémentation
• Introduction à Adagrad et implémentation
• Introduction à Adadelta et mise en œuvre
• Introduction à RMSProp et implémentation
• Introduction à Adam et mise en œuvre
• Mise en œuvre de la normalisation par lots
• Éclatement et disparition des dégradés
• Introduction à l'ajustement des hyperparamètres et mise en œuvre
• Interprétabilité du modèle
• Abandon et arrêt prématuré

Réseaux neuronaux convolutifs

• Qu'est-ce que le CNN ?
• Architecture du CNN
• ResNet 50
• Fonctionnement du CNN
• La mise en commun dans le CNN
• Classification d'images à l'aide de CNN
• Introduction au Tensorboard

Apprentissage par transfert

• Introduction à l'apprentissage par transfert
• Comment sélectionner des modèles pré-entraînés
• Avantages de l'apprentissage par transfert

Détection d'objets

• Détection d'objets multiples
• Vue d'ensemble de l'algorithme YOLO V3
• Préparation des données pour l'algorithme YOLO V3
• Déception d'objets avec YOLO V3
• Introduction à TF Lite
• Conversion du modèle TF en modèle TF Lite

Réseaux neuronaux récurrents (RNN)

• Qu'est-ce que la modélisation des séquences ?
• Introduction aux RNN
• Architecture des RNN
• Propagation avant et arrière dans les RNN
• Introduction à la modélisation hybride
• Architecture d'un modèle hybride CNN et RNN

Modèles transformateurs pour le traitement du langage naturel (NLP)

• Vue d'ensemble des modèles transformateurs
• Architecture du modèle de transformateur
• Introduction au modèle BERT

Premiers pas avec les autoencodeurs

• Introduction à l'apprentissage profond non supervisé
• Qu'est-ce qu'un autoencodeur ?
• Architecture des autoencodeurs
• Cas d'utilisation et formation des autoencodeurs

PyTorch

S'initier à PyTorch

Création d'un réseau neuronal dans PyTorch

Est-ce que le fait de manquer un cours en direct aura une incidence sur ma capacité à terminer le cours ?

Non, le fait de manquer un cours en direct n'affectera pas votre capacité à terminer le cours. Grâce à notre fonction « flexi-learn », vous pouvez regarder la session enregistrée de n'importe quelle classe manquée à votre convenance. Cela vous permet de rester au courant du contenu du cours et de satisfaire aux exigences nécessaires pour progresser et obtenir votre certificat. Il vous suffit de vous rendre sur la plateforme d'apprentissage, de sélectionner le cours manqué et de regarder l'enregistrement pour que votre présence soit notée.

Licence et accréditation

Ce cours est proposé par Simplilearn conformément à l'accord de programme de partenariat et respecte les exigences de l'accord de licence. AVC assure la promotion de ce cours au nom de Simplilearn.

Politique d'équité

Simplilearn n'offre pas d'aménagements en raison d'un handicap ou d'un état de santé d'un étudiant. Les candidats sont encouragés à contacter AVC pour obtenir des conseils et un soutien tout au long du processus d'adaptation.