Deep Learning

Les Fondamentaux du Deep Learning

• Introduction au Deep Learning
• Les Vecteurs et Matrices
• Les Tenseurs et Numpy
• Les Fonctions en maths avec du code
• Le concept de dérivée
• Fonctions composées et dérivés de fonctions composés
• Produit matriciel et Numpy
• Dérivée d’un produit matriciel
• Le paramètre biais
• L’algorithme du Gradient Descent avec Numpy
• La Régression linéaire de zéro avec Numpy
• La fonction sigmoid

Recréer Tensorflow

• Qu’est-ce-que Tensorflow et Plan de création
• L’architecture du Mini Tensorflow
• La classe Noeud
• La classe Noeud avec des paramètres
• La classe Layer (les couches du réseau de neurones)
• La classe Loss (La fonction perte)
• La classe Optimizer (La fonction d’optimisation)
• Tout mettre ensemble avec la classe Model (compile, fit, predict, evaluate)
• Entraîner un réseau de neurone avec Mini Tensorflow
• Sauvegarder et charger un modèle entrainé
• De Mini Tensorflow à Tensorflow

Deep Learning pour la classification d’Image

• La fonction softmax
• La fonction perte Cross entropy
• Les fonctions d’activations (relu, tanh, leaky relu)
• Le concept de Momentum
• Early stopping et les callbacks
• Le concept de Dropout pour éviter le surapprentissage

Les réseaux de neurones convolutionnels CNN pour la classification d’image

• Les convolutions : Intuition et explication
• Le Padding et le Pooling
• Implémenter un CNN avec Tensorflow
• Le Data Augmentation pour de meilleurs performances
• Le Transfert Learning (Extraction de features et Fine tuning)
• Streamlit APP

Introduction au Natural Language Processing

• Passer du texte aux nombres (Vectorisation)
• La tokenisation et le nettoyage du texte
• Encoder la signification des mots grâce aux embeddings
• Implémenter un couche Embedding avec Tensorflow

La classification du texte avec les réseaux de neurones récurrents RNN et LSTM

• Les RNN : Intuition et Explication
• Les réseaux Long Short Term Memory : Intuition et Explication
• Analyser le sentiment d’un texte avec un réseau LSTM
• Les LSTM bidirectionnels pour une meilleure performance
• Transfert Learning : Utiliser des embeddings pré-entrainés

Utiliser Tensorflow pour entraîner un modèle générateur de texte : BibleGPT

• Modèles générateurs de Texte : Intuition
• Créer le dataset pour l’entrainement du modèle (BibleGPT)
• Architecture et Entrainement du modèle
• Prédiction du prochain mot avec le modèle de génération de Texte

Prédire le futur avec le Deep Learning sur les séries temporelles

• Les attributs des séries temporelles (trend, seasonality, autocorrection, Noise)
• Techniques pour prédiction des séries temporelles
• Créer des Modèles de deep learning pour la prédiction des séries Temporelles
• Appliquer les CNN, RNN, LSTM, GRU pour la prédiction des séries temporelles