Formation Deep Learning avec TensorFlow et Keras Mixte : présentiel / à distance

Cette formation d’initiation permet de découvrir les bases du Deep Learning à travers TensorFlow et Keras. Sur trois jours, les participants apprendront les fondamentaux des réseaux neuronaux, la structure d’un modèle profond et la mise en œuvre d’entraînements simples. Aucun prérequis avancé n’est nécessaire.

• Comprendre les concepts fondamentaux du Deep Learning
• Identifier les composants essentiels d'un modèle TensorFlow/Keras
• Découvrir les étapes de préparation des données
• Comprendre comment entraîner, évaluer et ajuster un modèle simple

• Débutants souhaitant s'initier au Deep Learning
• Étudiants, développeurs ou analystes découvrant l'IA
• Professionnels souhaitant comprendre les bases avant d'aller vers des niveaux avancés

• Ordinateur avec Python installé
• Environnement TensorFlow/Keras fonctionnel
• Jupyter Notebook ou IDE Python
• Accès aux datasets d'entraînement pour les TP

Jour 1 – Introduction au Deep Learning et prise en main de TensorFlow / Keras

Session du matin :

• Comprendre les bases de l'IA, du Machine Learning et du Deep Learning
• Notion de neurone artificiel et architecture de réseau
• Introduction à TensorFlow et Keras

Session de l'après-midi :

• Prise en main de l'environnement Keras
• Découverte des layers, modèles séquentiels et API simple
• Construction d'un premier réseau neuronal basique

TP / Exercice :

• Créer un modèle dense simple pour la classification d'images

Points clés & takeaways :

• Compréhension de la structure d'un modèle de Deep Learning
• Première maîtrise du workflow TensorFlow / Keras

Jour 2 – Préparation des données et entraînement des modèles

Session du matin :

• Préparation des datasets : normalisation et preprocessing
• Jeux de données : entraînement, validation, test
• Fonctions d'activation et fonctions de perte

Session de l'après-midi :

• Entraînement d'un réseau neuronal simple
• Visualisation et interprétation des performances
• Introduction au surapprentissage (overfitting)

TP / Exercice :

• Préparer un dataset complet et entraîner un modèle avec analyse des performances

Points clés & takeaways :

• Maîtriser les étapes de préparation des données
• Comprendre l'impact des paramètres d'entraînement

Jour 3 – Construction d'un modèle CNN et amélioration des performances

Session du matin :

• Comprendre les réseaux convolutifs (CNN)
• Convolutions et pooling : principes fondamentaux
• Construction d'un CNN avec Keras

Session de l'après-midi :

• Entraînement d'un CNN sur un dataset d'images
• Ajustement des performances : batch size, epochs, learning rate
• Sauvegarde et export d'un modèle

TP / Exercice :

• Développer et entraîner un CNN simple pour classifier un dataset (ex. MNIST)

Points clés & takeaways :

• Comprendre la logique des réseaux convolutifs
• Capacité à entraîner un premier modèle exploitable

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

• Formation en présentiel
• En groupe (inter-entreprises ou intra-entreprise)
• En individuel (monitorat)
• En journée ou en cours du soir (sur demande spécifique)
• Formation en distanciel
• Distanciel synchrone
• Distanciel asynchrone

• Apports des connaissances communes.
• Mises en situation sur le thème de la formation et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.
• Equilibre théorie / pratique : 60 % / 40 %.
• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.
• Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation :

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation : 

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation : 

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Evaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.

• Admission sans disposition particulière

Nos formations peuvent être adaptées à certaines conditions de handicap. Nous contacter pour toute information et demande spécifique.