Les formations Deep Learning

Stable Diffusion est un puissant modèle d'apprentissage profond capable de générer des images détaillées à partir de descriptions textuelles. .. ; Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux data scientists de niveau intermédiaire à avancé, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage profond et aux experts en vision par ordinateur qui souhaitent élargir leurs connaissances et leurs compétences en apprentissage profond pour la génération de texte à partir d'images. A l'issue de cette formation, les participants seront capables de :

Comprendre les architectures et les techniques avancées d'apprentissage profond pour la génération de texte à partir d'images. Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité. Optimiser les performances et l'évolutivité pour les grands ensembles de données et les modèles complexes. Ajuster les hyperparamètres pour une meilleure performance et généralisation du modèle. Intégrer Stable Diffusion avec d'autres cadres et outils d'apprentissage profond.

Format du cours

Exposé et discussion interactifs. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation des cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser

DeepSpeed est une bibliothèque d'optimisation d'apprentissage en profondeur qui facilite la mise à l'échelle des modèles d'apprentissage en profondeur sur du matériel distribué. Développé par Microsoft, DeepSpeed s'intègre à PyTorch pour fournir une meilleure mise à l'échelle, une formation plus rapide et une meilleure utilisation des ressources.Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux scientifiques des données et aux ingénieurs en apprentissage automatique de niveau débutant à intermédiaire qui souhaitent améliorer les performances de leurs modèles d'apprentissage en profondeur.Au terme de cette formation, les participants seront capables de :

Comprendre les principes de l'apprentissage profond distribué. Installez et configurez DeepSpeed. Mettez à l'échelle des modèles d'apprentissage en profondeur sur du matériel distribué à l'aide de DeepSpeed. Implémentez et expérimentez les fonctionnalités DeepSpeed pour l'optimisation et l'efficacité de la mémoire.

Format du cours

Conférence interactive et discussion. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation du cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Les grands modèles linguistiques (LLM) sont des modèles de réseaux neuronaux profonds capables de générer des textes en langue naturelle sur la base d'une entrée ou d'un contexte donné. Ils sont entraînés sur de grandes quantités de données textuelles provenant de divers domaines et sources, et ils peuvent capturer les modèles syntaxiques et sémantiques du langage naturel. Les LLM ont obtenu des résultats impressionnants dans diverses tâches liées au langage naturel, telles que le résumé de texte, la réponse aux questions, la génération de texte, etc. Cette formation en direct (en ligne ou sur site) est destinée aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser des modèles de langage à grande échelle pour diverses tâches liées au langage naturel. A l'issue de cette formation, les participants seront capables de :

Mettre en place un environnement de développement qui inclut un LLM populaire. Créer un LLM de base et l'affiner sur un ensemble de données personnalisé. Utiliser les LLM pour différentes tâches de langage naturel telles que le résumé de texte, la réponse aux questions, la génération de texte, etc. Déboguer et évaluer les LLM à l'aide d'outils tels que TensorBoard, PyTorch Lightning et Hugging Face Datasets.

Format du cours

Exposé et discussion interactifs. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation des cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.

AlphaFold est un système Artificial Intelligence (AI) qui effectue la prévision des structures protéines. Il est développé par Alphabet’s/Google’s DeepMind comme un système d'apprentissage profond qui peut prédire avec précision les modèles 3D des structures protéines. Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux biologistes qui souhaitent comprendre comment AlphaFold fonctionne et utilise AlphaFold les modèles en tant que guides dans leurs études expérimentales. À la fin de cette formation, les participants seront en mesure de :

Comprendre les principes fondamentaux de AlphaFold. Apprenez comment cela fonctionne AlphaFold. Apprenez à interpréter AlphaFold les prévisions et les résultats.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Stable Diffusion est un puissant modèle d'apprentissage profond capable de générer des images détaillées à partir de descriptions textuelles. .. ; Cette formation en direct (en ligne ou sur site) s'adresse aux data scientists, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent tirer parti de Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'utilisation. A l'issue de cette formation, les participants seront capables de :

Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images. Construire et entraîner des modèles Stable Diffusion pour les tâches de génération d'images. Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image. Optimiser les performances et la stabilité des modèles Stable Diffusion.

Format du cours

Exposé et discussion interactifs. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation des cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser

Dans cette formation en ligne, les participants apprendront les techniques d'apprentissage automatique les plus pertinentes et les plus avancées de Python, tout en construisant une série d'applications de démonstration impliquant des images, de la musique, du texte et des données financières À la fin de cette formation, les participants seront en mesure de: Implémenter des algorithmes d'apprentissage automatique et des techniques pour résoudre des problèmes complexes Appliquer l'apprentissage en profondeur et l'apprentissage semi-supervisé aux applications impliquant des données d'image, de musique, de texte et financières Pousser les algorithmes Python à leur potentiel maximal Utiliser des bibliothèques et des paquets tels que NumPy et Theano Public Développeurs Analystes Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Deep Reinforcement Learning fait référence à la capacité d'un "agent artificiel" à apprendre par essais et erreurs et récompenses et punitions. Un agent artificiel vise à imiter la capacité d'un humain à obtenir et à construire des connaissances par lui-même, directement à partir d'intrants bruts tels que la vision. Pour réaliser l'apprentissage par renforcement, l'apprentissage en profondeur et les réseaux de neurones sont utilisés. L'apprentissage par renforcement est différent de l'apprentissage automatique et ne repose pas sur des approches d'apprentissage supervisé et non supervisé.Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux développeurs et aux scientifiques des données qui souhaitent apprendre les bases de Deep Reinforcement Learning au fur et à mesure de la création d'un agent Deep Learning.Au terme de cette formation, les participants seront capables de :

Comprendre les concepts clés derrière Deep Reinforcement Learning et être capable de le distinguer de Machine Learning. Appliquez des algorithmes avancés Reinforcement Learning pour résoudre des problèmes du monde réel. Créez un agent Deep Learning.

Format du cours

Conférence interactive et discussion. Beaucoup d'exercices et de pratique. Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation du cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

L’apprentissage en machine est une branche de l’intelligence artificielle dans laquelle les ordinateurs ont la capacité d’apprendre sans être explicitement programmés. L’apprentissage en profondeur est un domaine de l’apprentissage en machine qui utilise des méthodes basées sur les représentations de données d’apprentissage et les structures telles que les réseaux neuronaux. Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lecture de code. Dans cette formation guidée par l'instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage profond pour les télécoms en utilisant Python alors qu'ils passent par la création d'un modèle de risque de crédit d'apprentissage profond. À la fin de cette formation, les participants seront en mesure de :

Comprendre les concepts fondamentaux de l’apprentissage profond. Apprendre les applications et les utilisations de l'apprentissage profond dans la télécommunication. Utilisez Python, Keras, et TensorFlow pour créer des modèles d'apprentissage profond pour les télécoms. Construisez votre propre modèle d'apprentissage profond du client en utilisant Python.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Embedding Projector est une application Web opensource permettant de visualiser les données utilisées pour former les systèmes d'apprentissage automatique Créé par Google, il fait partie de TensorFlow Cette formation en direct instruit présente les concepts derrière Embedding Projector et guide les participants à travers la configuration d'un projet de démonstration À la fin de cette formation, les participants seront en mesure de: Explorer comment les données sont interprétées par des modèles d'apprentissage automatique Naviguer à travers les vues 3D et 2D des données pour comprendre comment un algorithme d'apprentissage automatique l'interprète Comprendre les concepts derrière Embeddings et leur rôle dans la représentation des vecteurs mathématiques pour les images, les mots et les chiffres Explorer les propriétés d'un embedding spécifique pour comprendre le comportement d'un modèle Appliquer le projet d'intégration à des cas d'utilisation du monde réel tels que la construction d'un système de recommandation de chanson pour les mélomanes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.

Le réseau de neurones artificiels est un modèle de données informatique utilisé dans le développement de systèmes d' Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une implémentation de l'IA. Deep Learning est un sous-ensemble de ML.

Le réseau de neurones artificiels est un modèle de données informatique utilisé dans le développement de systèmes d' Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une implémentation de l'IA. Deep Learning est un sous-ensemble de ML.

Caffe est un cadre d'apprentissage en profondeur conçu pour l'expression, la rapidité et la modularité. Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST. Public Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation de Caffe tant que cadre. Une fois ce cours terminé, les délégués seront en mesure de:

• comprendre la structure et les mécanismes de déploiement de Caffe
• effectuer des tâches d'installation / environnement de production / architecture et configuration
• évaluer la qualité du code, effectuer le débogage, la surveillance
• implémenter une production avancée telle que des modèles d'entraînement, implémenter des couches et se connecter

Ce cours est un aperçu général de l’ Deep Learning sans approfondir les méthodes spécifiques. Il convient aux personnes qui souhaitent commencer à utiliser l'apprentissage en profondeur pour améliorer la précision de leurs prédictions.

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones.

Introduction : L'apprentissage profond devient un élément essentiel de la conception des futurs produits qui souhaitent intégrer l'intelligence artificielle au cœur de leurs modèles. D'ici 5 à 10 ans, les outils, les bibliothèques et les langages de développement de l'apprentissage profond deviendront des composants standard de chaque boîte à outils de développement de logiciels. Jusqu'à présent Google, Sales Force, Facebook et Amazon ont utilisé avec succès l'apprentissage profond de l'IA pour stimuler leur activité. Les applications vont de la traduction automatique à l'analyse d'images, de vidéos et de mouvements, en passant par la génération de publicités ciblées et bien d'autres encore. Ce cours s'adresse aux organisations qui souhaitent intégrer Deep Learning comme un élément très important de leur stratégie de produit ou de service. Vous trouverez ci-dessous les grandes lignes du cours d'apprentissage en profondeur que nous pouvons adapter à différents niveaux d'employés ou de parties prenantes au sein d'une organisation. Public cible : (En fonction du public cible, les supports de cours seront personnalisés) Cadres Une vue d'ensemble de l'IA et de sa place dans la stratégie de l'entreprise, avec des sessions en petits groupes sur la planification stratégique, les feuilles de route technologiques et l'allocation des ressources pour garantir une valeur maximale. Chefs de projet Comment planifier un projet d'IA, y compris la collecte et l'évaluation des données, le nettoyage et la vérification des données, l'élaboration d'un modèle de validation du concept, l'intégration dans les processus d'entreprise et la diffusion dans l'ensemble de l'organisation. Développeurs Des formations techniques approfondies, axées sur les réseaux neuronaux et l'apprentissage profond, l'analyse d'images et de vidéos (CNN), l'analyse du son et du texte (NLP), et l'intégration de l'IA dans les applications existantes. Vendeurs Un aperçu général de l'IA et de la manière dont elle peut satisfaire les besoins des clients, des propositions de valeur pour divers produits et services, et de la manière de dissiper les craintes et de promouvoir les avantages de l'IA.

L'apprentissage profond ou l'apprentissage structuré profond est un sous-ensemble d'apprentissage machine qui implique plusieurs couches de réseaux pour construire des modèles de prédiction. Il est largement utilisé dans les grandes industries, telles que la santé, le commerce électronique, la banque, la fabrication, l'automobile, etc. Cette formation guidée par l'instructeur, en direct (online ou sur site) vise les analystes d'affaires, les scientifiques de données et les développeurs qui souhaitent construire et mettre en œuvre des modèles d'apprentissage profond pour accélérer la croissance des revenus et résoudre les problèmes dans le monde des affaires. À la fin de cette formation, les participants seront en mesure de :

Comprendre les concepts de base de l'apprentissage automatique et de l'apprentissage profond. Obtenez des informations sur l'avenir des affaires et de l'industrie avec ML et DL. Définir des stratégies d'affaires et des solutions avec une apprentissage approfondie. Apprenez à appliquer la science des données et l'apprentissage profond dans la résolution de problèmes d'affaires. C’est pour cela qu’il y a des modèles d’apprentissage en profondeur, en utilisant Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones. R est un langage de programmation populaire dans le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage approfondi pour la finance en utilisant R lorsqu'ils créeront un modèle de prévision du prix des actions d'apprentissage approfondi. À la fin de cette formation, les participants seront en mesure de:

• Comprendre les concepts fondamentaux de l'apprentissage en profondeur
• Apprenez les applications et les utilisations de l'apprentissage en profondeur en finance
• Utilisez R pour créer des modèles d'apprentissage en profondeur pour la finance
• Construire leur propre modèle de prévision du prix des actions d'apprentissage en profondeur en utilisant R

Public

• Développeurs
• Scientifiques de données

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones. Python est un langage de programmation de haut niveau réputé pour sa syntaxe claire et sa lisibilité du code. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour les opérations bancaires en utilisant Python au cours de la création d'un modèle de risque de crédit d'apprentissage en profondeur. À la fin de cette formation, les participants seront en mesure de:

• Comprendre les concepts fondamentaux de l'apprentissage en profondeur
• Apprenez les applications et les utilisations de l'apprentissage en profondeur dans le secteur bancaire
• Utilisez Python , Keras et TensorFlow pour créer des modèles d’apprentissage approfondi du secteur bancaire.
• Construire leur propre modèle de risque de crédit pour l'apprentissage en profondeur en utilisant Python

Public

• Les développeurs
• Scientifiques de données

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmé. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones. R est un langage de programmation populaire dans le secteur financier. Il est utilisé dans des applications financières allant des programmes de négociation principaux aux systèmes de gestion des risques. Au cours de cette formation en direct animée par un instructeur, les participants apprendront comment mettre en œuvre des modèles d'apprentissage en profondeur pour les opérations bancaires en utilisant R au fur et à mesure de la création d'un modèle de risque de crédit d'apprentissage en profondeur. À la fin de cette formation, les participants seront en mesure de:

• Comprendre les concepts fondamentaux de l'apprentissage en profondeur
• Apprenez les applications et les utilisations de l'apprentissage en profondeur dans le secteur bancaire
• Utilisez R pour créer des modèles d'apprentissage en profondeur pour le secteur bancaire
• Construire leur propre modèle de risque de crédit d'apprentissage profond en utilisant R

Public

• Développeurs
• Scientifiques de données

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lisibilité Dans cette formation en direct, les participants apprendront comment implémenter des modèles d'apprentissage en profondeur pour la finance en utilisant Python à mesure qu'ils franchissent la phase de création d'un modèle de prédiction du prix des actions d'apprentissage en profondeur À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts fondamentaux de l'apprentissage en profondeur Apprenez les applications et les utilisations de l'apprentissage en profondeur en finance Utilisez Python, Keras et TensorFlow pour créer des modèles d'apprentissage en profondeur pour la finance Construire son propre modèle de prédiction du prix des actions en profondeur en utilisant Python Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Machine Learning est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés. Deep Learning est un sous-marin de Machine Learning qui cherche à imiter les activités du cerveau humain dans la prise de décisions. Il est formé avec des données afin de fournir automatiquement des solutions aux problèmes. Deep Learning offre de vastes opportunités pour l’industrie médicale qui est assis sur une mine d’or de données. Dans cette formation guidée par l'instructeur, les participants participeront à une série de discussions, d'exercices et d'analyse de cas pour comprendre les fondements Deep Learning. Les outils et techniques les plus importants Deep Learning seront évalués et des exercices seront effectués pour préparer les participants à mener leur propre évaluation et à mettre en œuvre Deep Learning des solutions dans leurs organisations. À la fin de cette formation, les participants seront en mesure de :

Comprendre les principes fondamentaux Deep Learning Apprendre Deep Learning les techniques et leurs applications dans l'industrie Examiner les problèmes en médecine qui peuvent être résolus par Deep Learning technologies Découvrez Deep Learning études de cas dans la médecine Formuler une stratégie pour adopter les dernières technologies dans Deep Learning pour résoudre les problèmes en médecine

Audience

gestionnaires Professionnels médicaux dans les rôles de leadership

Format du cours

Lecture partielle, discussion partielle, exercices et pratiques lourdes

Notes

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Les problèmes de santé peuvent être détectés grâce à l'analyse des images telles que les scans MRI. L'utilisation d'apprentissage profond pour traiter les images peut conduire à des découvertes auparavant inatteignables par l'inspection humaine seule. Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux développeurs et aux scientifiques de données qui souhaitent appliquer des réseaux neuronaux convolutifs (CNNs) à l'analyse des scans MRI. À la fin de cette formation, les participants seront en mesure de :

Installer et configurer l’environnement de développement, le logiciel et les bibliothèques nécessaires pour commencer à se développer. Analyse des images MRI en utilisant des techniques d'apprentissage profond telles que les CNN. Détecter les conditions de santé potentielles telles que les maladies cardiaques par l'analyse MRI. Appliquez des techniques telles que la segmentation d'image et la formation CNN pour identifier les maladies potentielles. Identifier les génomes d’une maladie à l’aide de radiomics. Construire et déployer une application d'apprentissage profond aimée à l'analyse d'image des soins de santé.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Public Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques. Ce cours fournit des exemples de travail.

Dans cette formation en direct animée par un instructeur, les participants apprendront à utiliser DSSTNE pour créer une application de recommandation. À la fin de cette formation, les participants seront en mesure de:

• Former un modèle de recommandation avec des jeux de données fragmentés en entrée
• Échelle des modèles de formation et de prévision sur plusieurs GPU
• Étalez le calcul et le stockage de manière parallèle au modèle
• Générer des recommandations de produits personnalisés de type Amazon
• Déployez une application prête à la production capable d'évoluer avec des charges de travail lourdes

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

Dans cette formation guidée par les instructeurs, les participants apprendront comment utiliser Facebook NMT (Fairseq) pour effectuer la traduction du contenu de l'échantillon. À la fin de cette formation, les participants disposeront des connaissances et des pratiques nécessaires pour mettre en œuvre une solution de traduction machine Fairseq en direct. Format du cours

Lecture partielle, discussion partielle, pratique lourde

Notes

Si vous souhaitez utiliser un contenu de source spécifique et de langue cible, veuillez nous contacter pour organiser.

Type : Formation théorique avec applications décidées en amont avec les élèves sur Lasagne ou Keras selon le groupe pédagogique Méthode pédagogique : présentation, échanges et études de cas L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui. Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera énormément votre compréhension du sujet.

Au cours de cette formation en direct animée par un instructeur, les participants apprendront à utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones à convolution permettant la reconnaissance d'images. À la fin de cette formation, les participants seront en mesure de:

• Construire un modèle d'apprentissage en profondeur
• Automatiser l'étiquetage des données
• Travailler avec des modèles de Caffe et TensorFlow - Keras
• Former les données en utilisant plusieurs GPU , le cloud ou des clusters

Public

• Les développeurs
• Ingénieurs
• Experts du domaine

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

Microsoft Cognitive Toolkit 2x (anciennement CNTK) est une boîte à outils opensource et commerciale qui forme des algorithmes d'apprentissage en profondeur pour apprendre comme le cerveau humain Selon Microsoft, CNTK peut être 510x plus rapide que TensorFlow sur les réseaux récurrents, et 2 à 3 fois plus rapide que TensorFlow pour les tâches imagerelated Dans cette formation en ligne, les participants apprendront à utiliser Microsoft Cognitive Toolkit pour créer, former et évaluer des algorithmes d'apprentissage en profondeur à utiliser dans des applications IA commerciales impliquant de multiples types de données tels que données, paroles, textes et images À la fin de cette formation, les participants seront en mesure de: Accéder à CNTK en tant que bibliothèque à partir d'un programme Python, C # ou C ++ Utilisez CNTK en tant qu'outil autonome d'apprentissage automatique grâce à son propre langage de description de modèle (BrainScript) Utiliser la fonctionnalité d'évaluation du modèle CNTK à partir d'un programme Java Combiner les DNN feedforward, les réseaux convolutifs (CNN) et les réseaux récurrents (RNN / LSTM) Capacité de calcul d'échelle sur les processeurs, les GPU et plusieurs machines Accédez à des jeux de données volumineux en utilisant les langages de programmation et les algorithmes existants Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Si vous souhaitez personnaliser une partie de cette formation, y compris le langage de programmation de votre choix, veuillez nous contacter pour organiser .

Ce cours couvre l'IA (mettant l'accent sur l' Machine Learning et l' Deep Learning )