Cette formation a pour objectif de proposer aux participants un éclairage sur les technologies utilisant les réseaux de neurones pour la résolution de problématiques scientifiques complexes. Le cours permettra aux participants de se familiariser avec les notions liées aux architectures basées sur l'apprentissage automatique en général et aux réseaux de neurones en particulier: classification/régression, entraînement et évaluation de modèles, topologies de réseaux de neurones. La partie pratique permettra aux participants de se confronter au framework Tensorflow+Keras et de programmer différentes topologies de réseaux de neurones.

Public : Développeurs
Pré-requis : notions de programmation en Python.
Date : 22 novembre de 9h30 à 16h30
Lieu : Marseille, CNRS, campus de Joseph Aiguier, Bâtiment A, salle informatique
Nombre de places : 10

Cours :

• Introduction générale à l'intelligence artificielle, Machine Learning et Deep Learning
• Apprentissage supervisé (regression/classification)
• Réseaux de neurones:
• Perceptrons et perceptrons multi-couches
• Feedforward et backpropagation
• Entraînement, Monitoring, Tuning et Évaluation de modèles de prédictions
• Topologies :
• Réseaux convolutifs (CNN) & Transfer Learning
• Auto-encoders
• Réseaux antagonistes génératifs (GAN)
  

Supports :

• Introduction au Deep Learning
• Topologies avancées de réseaux de neurones

Travaux pratiques :

• Tensorflow+Keras
• Perceptrons multi-couches
• Réseaux convolutifs

Fabrice Daian (IBDM)

Magali Contensin
Kai Poutrain

réseau national DevLOG