Cette formation est-elle adaptée à mon niveau ?

Chaque fiche indique le niveau requis (Fondamental, Intermédiaire, Avancé) ainsi que les prérequis détaillés. En cas de doute, un test d'auto-évaluation est disponible directement sur la page.

La formation est-elle orientée théorie ou pratique ?

Nos formations alternent apports théoriques et travaux pratiques, pour mettre immédiatement en application les notions abordées.

Puis-je suivre cette formation à distance ?

Oui, la plupart de nos formations sont disponibles en présentiel et en classe à distance, avec le même contenu et le même niveau d'interaction avec le formateur.

Cette formation est-elle disponible en intra-entreprise ?

Oui. Nous pouvons l'organiser dans vos locaux, dans nos salles ou à distance, avec un programme adapté à votre contexte si nécessaire. Contactez notre service intra pour un devis.

Que se passe-t-il si une session est annulée ?

Nous nous engageons à maintenir les sessions garanties affichées. En cas d'annulation de notre part, nous vous proposons un report sur la prochaine session disponible.

Cette formation est-elle finançable via le CPF ?

Si la formation est éligible CPF, cela est indiqué sur la fiche avec le code de certification correspondant. Vous pouvez retrouver la formation directement sur Mon Compte Formation.

Mon employeur ou mon OPCO peut-il prendre en charge le coût ?

Oui. Contactez-nous pour obtenir une convention de formation et vérifier les possibilités de prise en charge via votre OPCO.

Deep Learning : les fondamentaux

Comprendre les réseaux de neurones pour le deep learning

4,6/5

Avec 16 avis

Description de la formation Deep Learning

Le Deep Learning est une technologie d’apprentissage automatique qui démocratise l’intelligence artificielle pour les applications informatiques. On peut facilement maintenant reconnaitre ses amis sur des photos, une voix, un objet, adapter une réponse à son interlocuteur, traduire à la volée, etc. Cette technologie n’est pas nouvelle mais décolle aujourd’hui grâce au gigantesque volume de données disponible.

Cette formation Deep Learning n’est pas centrée sur l’IA en général mais privilégie les spécificités du Deep Learning et notamment les concepts et le fonctionnement technique des réseaux de neurones sur lesquels repose cette technologie. Nous replaçons aussi le Deep Learning dans son contexte par rapport au machine learning et nous en montrons également les limites.

Jour 1

Introduction au Deep Learning

Relation entre Machine Learning et Deep Learning
Champs d’application et cas d’utilisation
Principes fondamentaux du Machine Learning
Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, Caffe, etcTravaux PratiquesExercice pratique faisant intervenir tous les prérequis, introduction aux notebooks Jupyter

Découverte de TensorFlow

Installation de TensorFlow et son éco système, présentation des tensors (tableaux multidimensionnels), des variables et placeholders, présentation des graphes et sessions TensorFlow
Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets…
Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes d’apprentissage avec TensorBoardTravaux PratiquesCréation d’un premier modèle de régression en TensorFlow. Représentation avec TensorBoard pour analyse

Les réseaux neuronaux artificiels ou ANN (Deep Learning)

Présentation du fonctionnement du perceptron à une couche et du perceptron multicouche, configuration et paramétrage d’un réseau de neurones
Approche logicielle du développement d’un réseau de neurones : activation, désactivation
Conception d’un réseau de neurones en fonction du problème à résoudreTravaux PratiquesConstruction d’un réseau de neurones simple à 2 entrées (perceptron) pour comprendre la logique de base du fonctionnement d’un réseau de neurones.
Reconnaissance de caractères manuscrit (classification de chiffres) à l’aide d’un réseau de neurones multi-couches.

Entraînement d’un réseau de neurones

Présentation des méthode d’apprentissage : fonction de coût, descente de gradient et rétro-propagation
Importance de la métrologie : choix des paramètres
Présentation de techniques de Data Augmentation et de l’écueil du sur apprentissage par régularisationTravaux Pratiques Compléments du TP de reconnaissance des caractères.
Comparaison des résultats avec différents paramètres d’entrainements : taille de l’ensemble d’entrainement, choix des fonction d’activation, nombre d’itération, séparation taille ensemble d’entrainement / de testJour 2

Réseaux de neurones convolutifs ou CNN

Présentation des principes de fonctionnement et définition de filtres convolutifs
Développement d’une couche de convolution, d’une couche de pooling
Approche logicielle du développement d’un réseau de neurones convolutifsTravaux PratiquesUtilisation d’un réseau de neurones CNN pour la reconnaissance de l’écriture manuscrite

Réseaux de neurones récurrents ou RNN

Présentation des principes de fonctionnement et importance de la disparition du gradient
Approche logicielle du développement d’un réseau de neurones récurrents
Présentation d’une Cellule Long Short-Term Memory (LSTM) et de sa version simplifiée la cellule GRU
Applications des réseaux récurrents aux séries temporelles
Principes fondamentaux du NLP ou Natural Language ProcessingTravaux Pratiques Utilisation d’un réseau de neurones RNN pour le traitement automatique du langage naturel. Mise en place d'un moteur d'analyse des sentiments.

Analyse avancée d’images par les réseaux de neurones convolutifs

Reconnaissance et détection d’objets
Découverte des modèles de l’état de l’art
Principes de fonctionnement, limites et mise en oeuvre
Aller plus loin et analyser des flux vidéos, découvertes d’outils spécialisés et pistes de réflexion
L’exemple de l’outil YOLOTravaux PratiquesMise en oeuvre d’un algorithme qui utilise les CNN (Convolutional neural network) pour la Reconnaissance d’image en temps réel (voiture autonome)Jour 3

Introduction aux auto-encodeurs

Principes fondamentaux des auto-encodeurs
Réduction de dimension grâce aux auto-encodeurs
Introduction et découverte des réseaux de génération d’images : Variational Auto-Encoders (VAE)
Présentation de l’API avancée de Keras (functional API) autoencoderTravaux PratiquesConstruire un auto-encodeur pour la réduction de dimension
Construire un auto-encodeur pour le filtrage et le nettoyage d’images

Apprentissage par renforcement (Deep Learning)

Définir le principe de notation et d’optimisation par objectif
Présentation de la toolkit Gym pour la programmation par renforcement
Principe de la prise de décision par critère de Markov
Principes fondamentaux de l’apprentissage par différence (temporelle, etc)Travaux PratiquesApprendre comme un humain avec une récompense. Illustration avec AlphaGo (IA / jeu de Go) et AlphaStar (IA / jeu vidéo complexe).
Mise en place d’un agent simple sur un jeu Atari (apprentissage par renforcement qui apprend dans un environnement inconnu (dont les règles du jeu), il reçoit des récompenses en fonction de ses choix bons ou mauvais à chaque changement d’état).

Mise en perspective, comparaison et ré-utilisation des réseaux de l’état de l’art

Découverte des réseaux les plus performants
Comprendre ce qui les distingue les uns des autres (points forts et limites de chacun)
Ré-utiliser, tout ou partie, de réseaux pré-entrainés sur des millions d’images
Principes et fonctionnement du transfert learningTravaux PratiquesUtiliser sur ses données un réseau “sur étagère” pré-entrainé - Ré-entrainer sur ses données les couches de décision d’un réseau de l’état de l’art

Performance et mise en production

Exécution sur CPUs, GPUs à l’aide des notebook Jupyter
Librairies de sérialisation et introduction à TensorServing pour la mise en productionTravaux PratiquesDéploiement de réseaux sur TensorServing

Date de mise à jour du programme : 04/11/2025

Dates et lieux

Période souhaitée

Lieux

Type d'affichage

Distanciel

15 juin - 17 juin

21 septembre - 23 septembre

7 décembre - 9 décembre

Paris

15 juin - 17 juin

21 septembre - 23 septembre

7 décembre - 9 décembre

Témoignages pour cette formation

16 avis

Les avis figurant ci-dessous sont issus des fiches d'évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.

Avis de HC

Retour d’expérience

Mon avis sur le contenu du stage :

"Les travaux pratiques sont cools. Sur les exercices où on doit tweaker les modèles, ce serait intéressant de pouvoir avoir accès à un jeu de paramètre bien qui augmente la performance du modèle"

Mon avis sur le formateur :

"Comme on était que 2, il s'est adapté pour nous aider à assimiler plus vite les différents concepts."

Ce que j'ai le plus apprécié :

"Diversité des supports proposés Schéma fait pour éclaircir les concepts Quantité de travaux pratiques"

Ce que j'ai le moins apprécié :

"Le copier/coller de code incorrectement formaté"

Avis de RG

Retour d’expérience

Mon avis sur le contenu du stage :

"Savoir coder et maitriser les bases du Machine Learning étaient des prérequis à la formation, mais non maitrisés par les autres participants, nous avons passé 1 journée à revoir ces notions, un peu dommage..."

Ce que j'ai le plus apprécié :

"Bonne répartition des temps de cours / TP + bonne communication entre le prof et les élèves"

Avis de RN

Retour d’expérience

Mon avis sur le formateur :

"Yaroub est un très bon formateur qui sait s'adapter aux différents profils présents à la formation. Disponible, pédagogue, il a su faire vivre le cours et le rendre très intéressant durant ces 3 jours."

Ce que j'ai le moins apprécié :

"Machine virtuelle un peu compliquée à faire fonctionner (installation et chargement des fichiers)"

MLOps pour les modèles d’IA générative

Durée: Durée :3 jours
Niveau: Niveau :Avancé
Certification: Certification :Non

2090€ HT

Prochaine session : 22/06/2026

Machine Learning et Data Science : déployer, monitorer et gérer des modèles en production

Durée: Durée :3 jours
Niveau: Niveau :Intermédiaire
Certification: Certification :Non

Intra uniquement

Aucune session prévue

Machine Learning avec Elastic Stack

Durée: Durée :2 jours
Niveau: Niveau :Intermédiaire
Certification: Certification :Non

1590€ HT

Prochaine session : 25/06/2026

TensorFlow : Analyse d'images avec TensorFlow

Durée: Durée :3 jours
Niveau: Niveau :Intermédiaire
Certification: Certification :Non

Intra uniquement

Aucune session prévue

Voir toutes les formations Machine Learning et MLOps

Deep Learning : les fondamentaux

Description de la formation Deep Learning

Programme de la formation

Objectifs de la formation

Contenu du cours Deep Learning

Introduction au Deep Learning

Découverte de TensorFlow

Les réseaux neuronaux artificiels ou ANN (Deep Learning)

Entraînement d’un réseau de neurones

Réseaux de neurones convolutifs ou CNN

Réseaux de neurones récurrents ou RNN

Analyse avancée d’images par les réseaux de neurones convolutifs

Introduction aux auto-encodeurs

Apprentissage par renforcement (Deep Learning)

Mise en perspective, comparaison et ré-utilisation des réseaux de l’état de l’art

Performance et mise en production

Public et prérequis

Dates et lieux

Distanciel

Paris

Témoignages pour cette formation

Ces formations en Machine Learning et MLOps peuvent aussi vous intéresser

Questions fréquentes

Cette formation est-elle adaptée à mon niveau ?

La formation est-elle orientée théorie ou pratique ?

Puis-je suivre cette formation à distance ?

Cette formation est-elle disponible en intra-entreprise ?

Que se passe-t-il si une session est annulée ?

Cette formation est-elle finançable via le CPF ?

Mon employeur ou mon OPCO peut-il prendre en charge le coût ?

Témoignages pour cette formation

Ces formations en Machine Learning et MLOps peuvent aussi vous intéresser