Accueil > Formations > Data Science – Deep learning > DEEP LEARNING IA et Deep Learning, principes de base
Formation DEEP LEARNING IA et Deep Learning, principes de base
Domaine : Data Science – Deep learning
DURÉE
1.0 jour(s)
OBJECTIFS
Comprendre les apports du Deep Learning et de l'Intelligence Artificielle, et les principes de base.
Pré-requis
Connaissances de base de Machine Learning.
Participants
Chef de projet, data-scientist et toute personne souhaitant comprendre les mécanismes fondamentaux de l'IA et du Deep Learning.
coût
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à GrenobleNotre centre de formation à MoiransNotre centre de formation à Sophia Antipolis
Sur votre site en formation intraEn classe distancielle
PROGRAMME DE FORMATION
DEEP LEARNING IA et Deep Learning, principes de base
Présentation
Définitions et positionnement (Intelligence Artificielle, Deep Learning, Machine Learning)
Les apports du Deep Learning (Etat de l'art)
Exemples (Domaines d'application, Présentation de DeepMind)
Les apports du Deep Learning (Etat de l'art)
Exemples (Domaines d'application, Présentation de DeepMind)
Deep learning
Les réseaux de neurones (Principe, Différents types de réseaux de neurones (artificiels, convolutifs, récurrents...))
Présentation de TensorFlow, scikit-learn, keras, mxnet, caffe (Exemple de mise en oeuvre avec TensorFlow)
Calcul distribué sur des CPU, GPU
Principe des tenseurs (Caractéristiques d'un tenseur : type de données, dimensions)
Définition de tenseurs simples (Gestion de variables pour la persistance, Représentation des calculs et des dépendances entre opérations par des graphes APIs fournies en standard, modèles d'apprentissage, Modèles d'apprentissage)
Présentation de TensorFlow, scikit-learn, keras, mxnet, caffe (Exemple de mise en oeuvre avec TensorFlow)
Calcul distribué sur des CPU, GPU
Principe des tenseurs (Caractéristiques d'un tenseur : type de données, dimensions)
Définition de tenseurs simples (Gestion de variables pour la persistance, Représentation des calculs et des dépendances entre opérations par des graphes APIs fournies en standard, modèles d'apprentissage, Modèles d'apprentissage)
Intelligence Artificielle
Etat de l'art
Outils disponibles
Exemple de projets
Mise en oeuvre sur cloud AutoML (Langages naturels, traduction, reconnaissance d'images )
Outils disponibles
Exemple de projets
Mise en oeuvre sur cloud AutoML (Langages naturels, traduction, reconnaissance d'images )
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
formations associées