Formation ouverte aux diplômés en informatique ayant des connaissances de base en Python (fonctions, classes, les boucles, les conditions, les structures de données, etc…), des connaissances de base en statistique descriptive et algèbre linéaire (opération matricielles, dérivations, etc…) et des connaissances de base de concepts Machine Learning.
Description de la formation
Objectif
Au terme de cette formation, le participant sera capable de transférer les connaissances acquises à son domaine d’expertise afin de démarrer un projet en Intelligence Artificielle.
Le participant sera capable, au début d’un nouveau projet, d’identifier les données et ressources nécessaires, de les traiter correctement, de choisir le modèle adéquat mais également de mettre en place des critères clés de succès et ce, sur des projets en lien avec des données structurées, des images, du texte, etc.
Durée
3 joursContenu du cours
La formation commencera par une revue des concepts fondamentaux et nécessaires dans le domaine de l’Intelligence Artificielle ainsi qu’une introduction à la librairie Keras de TensorFlow 2.
La formation abordera également les couches denses, de convolution et récurrentes de ces réseaux Deep-Learning avant d’aborder des concepts plus avancés comme le transfert de connaissances, la détection d’objets, l’explicabilité de ces modèles complexes, etc…
Programme complet
Chacun des points comprend une partie théorique suivis d’exercices pratiques.
Jour 1 :
- Introduction au Deep-Learning
- Le processus général de Deep-Learning sur des données structurées et non structurées (image, texte, etc…) Réseaux de neurones denses (DNN) : Modèles de régression
- Réseaux de neurones denses (DNN)
- Modèles de classification
- Réseaux de neurones avec couches de convolution (CNN)
Jour 2 :
- Réseaux de neurones récurrents (RNN & LSTM)
- Modèles complexes et profonds?: Transfer Learning.
- Sur des images et du texte
Jour 3 :
- Détection d’objets et segmentation d’images
- Revue d’un ensemble de sujets plus avancés dans le domaine Deep Learning qui comprend l’explicabilité, les modèles d’attention, de diffusion et les “foundations models” (tel que chatgpt).
Formateur
Amaury Beeckman : Project Technical Lead, Machine Learning Engineer
Informations pratiques
Lieu
Campus Woluwe - Champs_43 - Clos Chapelle-aux-Champs, 43 - 1200 Bruxelles
Matériel
Horaire de la session
- lundi 08 avril 2024 : 08:30 - 17:30
- mardi 09 avril 2024 : 08:30 - 17:30
- mercredi 10 avril 2024 : 08:30 - 17:30
Prix
- 570 €
- 520 € - Diplômés HE Vinci et membres de la communauté de la HE Vinci.
Inscription
Minimum 8 participants - maximum 12 participants
À nous faire parvenir au plus tôt (les inscriptions sont validées dans l'ordre d'arrivée des acomptes au prorata des places disponibles).
Paiement
- Acompte de 175 € pour valider l’inscription
- Solde à verser 20 jours avant le début de la formation
- Mentionner la communication structurée qui vous aura été communiquée lors de l'inscription
BELFIUS N°BE04-0682-4057-9831
HE Vinci asbl