Deep Learning avec TensorFlow ou PyTorch

À l’issue de la formation, les participants seront capables de :

• Comprendre le fonctionnement des réseaux de neurones artificiels (MLP, CNN, RNN)
• Concevoir et entraîner des modèles simples avec TensorFlow ou PyTorch
• Appliquer le deep learning à des problématiques concrètes (images, texte, séries temporelles)
• Maîtriser les notions clés d’optimisation : fonction de coût, gradient, sur-apprentissage
• Utiliser les techniques modernes comme Dropout, Batch Normalization ou le transfer learning

Introduction au deep learning et aux frameworks

• Qu’est-ce que le deep learning ? Rappels sur le machine learning
• Comparaison TensorFlow vs PyTorch : philosophie, syntaxe, écosystèmes
• Présentation des outils : Google Colab, Jupyter, GPU disponibles

Réseaux de neurones multicouches (MLP)

• Perceptron multicouche : architecture, fonctions d’activation (ReLU, Sigmoid)
• Calcul du gradient et rétropropagation (backpropagation)
• Entraînement, évaluation, choix de la fonction de perte (MSE, CrossEntropy)
• Visualisation de l’apprentissage, learning rate, epochs, batch size

Réseaux convolutifs (CNN)

• Convolutions, pooling, padding : principes et rôle dans la vision par ordinateur
• Architecture type pour classification d’images (MNIST, CIFAR)
• Optimisation : Dropout, Batch Normalization, early stopping
• Visualisation des filtres, erreurs typiques, ajustement des hyperparamètres

Réseaux récurrents (RNN de base)

• Introduction aux séquences et séries temporelles
• RNN simples : mémoire courte, structure temporelle
• Notions de LSTM / GRU (présentation sans implémentation détaillée)
• Applications possibles : prévision, texte, détection d’événements

Bonnes pratiques et extension des modèles

• Préparation des données : normalisation, encodage, augmentation
• Éviter l’overfitting : régularisation, Dropout, data augmentation
• Introduction au Transfer Learning : fine-tuning de modèles pré-entraînés (ResNet, BERT selon contexte)
• Premiers pas vers la production : export de modèles, compatibilité ONNX, intégration dans une API

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation