DFP_Bann_Transformation_Numérique

Du Machine Learning au Deep Learning

Présentation

Formation continue non diplômante

Formation courte
  • Ville
    • GRENOBLE Presqu'île
  • Durée 2 jours
  • Accessible en
    • Formation continue

Résumé

Bbd01                                                                                                                                                                                                               Notre formation est référencée par l'institut MIAI.
 

Prochaine session : du 25 au 26 juin 2025

Objectifs

  • Comprendre les enjeux du machine learning et de l’intelligence artificielle
  • Connaître les différentes approches d’un problème en machine learning : supervisé/non-supervisé/semisupervisé, régression/classification etc.
  • Comprendre les avantages et inconvénients des réseaux de neurones profonds ou larges
  • Savoir chiffrer l’empreinte mémoire et la complexité de calcul d’un réseau en phase d’apprentissage ou d’évaluation

Les plus de la formation 
  • La formation se déroule avec une alternance entre apports théoriques et travaux pratiques.
  • Le nombre réduit des participants permet une réelle aide personnalisée dans l’apprentissage.
  • Chaque participant reçoit un lien sur File Sender (plateforme de service de transfert de fichiers numériques) pour accéder aux supports de cours
 
Nos atouts pédagogiques

L’équipe pédagogique est constituée d’enseignants-chercheurs de l’école Grenoble INP - Phelma, UGA et de chercheurs du laboratoire Grenoble Images Parole Signal Automatique (GIPSA Lab). Cette formation s’appuie sur les moyens techniques de l’école Grenoble INP - Phelma, UGA.
 

Admission

  • Tarif 1 500 € / personne
  • Accessible en :
    • Formation continue

Conditions d'admission


Pour qui ?
Cette formation s’adresse à des ingénieurs, chercheurs et techniciens souhaitant connaître les notions essentielles du machine learning et de l’intelligence artificielle et appréhender les différents enjeux associés.

Pré-requis : Connaissances de base en programmation, statistiques (régression, estimateur etc.), ainsi qu’en optimisation mathématique (calcul d’une dérivée, notion de convergence etc.)

Effectif : 4 à 12 personnes

 

Programme

  • Durée des études 2 jours

Programme


1- Apprentissage automatique/statistique (machine learning)

• Astuce du noyau : dualité espace des échantillons/espace des caractéristiques
• Dualité des échantillons par rapport aux caractéristiques (kNN vs SVM)
• Réseaux de neurones : la propagation de l’information, la rétro-propagation de l’erreur

2- Apprentissage au Deep Learning

• Les différents types de réseaux : CNN, RNN, LSTM, ResNet... Les avantages et inconvénients,
les cas typiques d’utilisation...
• Implémentation d’un réseau avec des API haut niveau (Tensorflow, MXNet, Keras, …) : limites d’utilisation
• Chiffrer la complexité de calcul / mémoire