Formation Deep Learning en Ville de Québec

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) s'adresse aux data scientists et ingénieurs en apprentissage automatique de niveau débutant à intermédiaire qui souhaitent améliorer les performances de leurs modèles d'apprentissage profond. A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de l'apprentissage profond distribué.
• Installer et configurer DeepSpeed.
• Mettre à l'échelle des modèles d'apprentissage profond sur du matériel distribué à l'aide de DeepSpeed.
• Mettre en œuvre et expérimenter les fonctionnalités de DeepSpeed pour l'optimisation et l'efficacité de la mémoire.

Cette formation en <loc> ; (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 de 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.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront les techniques d'apprentissage automatique les plus pertinentes et les plus récentes en Python en construisant une série d'applications de démonstration impliquant des images, de la musique, du texte et des données financières. A l'issue de cette formation, les participants seront capables de :

• Mettre en œuvre des algorithmes et des techniques d'apprentissage automatique pour résoudre des problèmes complexes.
• Appliquer l'apprentissage profond et l'apprentissage semi-supervisé à des applications impliquant des images, de la musique, du texte et des données financières.
• Pousser les algorithmes Python au maximum de leur potentiel.
• Utiliser des bibliothèques et des packages tels que NumPy et Theano.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux data scientists qui souhaitent apprendre les fondamentaux du Deep Reinforcement Learning en créant un agent d'apprentissage profond (Deep Learning Agent). A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts clés de l'apprentissage profond Reinforcement Learning et être capable de le distinguer de l'apprentissage automatique.
• Appliquer des algorithmes Reinforcement Learning avancés pour résoudre des problèmes réels.
• Construire un agent d'apprentissage profond.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour les télécommunications à l'aide de Python, en procédant à la création d'un modèle de risque de crédit d'apprentissage profond. A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de l'apprentissage profond.
• Apprendre les applications et les utilisations de l'apprentissage profond dans les télécommunications.
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond pour les télécommunications.
• Construire leur propre modèle d'apprentissage profond de prédiction du désabonnement des clients à l'aide de Python.

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.

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.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux analystes commerciaux, aux scientifiques des données et aux développeurs qui souhaitent construire et mettre en œuvre des modèles d'apprentissage profond pour accélérer la croissance du chiffre d'affaires et résoudre les problèmes dans le monde de l'entreprise. A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de l'apprentissage automatique et de l'apprentissage profond.
• Appréhender l'avenir des entreprises et de l'industrie grâce à l'apprentissage automatique et à l'apprentissage profond.
• Définir des stratégies commerciales et des solutions avec l'apprentissage profond.
• Apprenez à appliquer la science des données et l'apprentissage profond à la résolution de problèmes commerciaux.
• Construire des modèles d'apprentissage profond en utilisant Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

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.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent appliquer les réseaux neuronaux convolutifs (CNN) à l'analyse des examens IRM. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer l'environnement de développement, les logiciels et les bibliothèques nécessaires pour commencer à développer.
• Analyser les images d'IRM à l'aide de techniques d'apprentissage profond telles que les CNN.
• Détecter les conditions de santé potentielles telles que les maladies cardiaques grâce à l'analyse des images IRM.
• Appliquer des techniques telles que la segmentation d'images et l'entraînement CNN pour identifier les maladies potentielles.
• Identifier la génomique d'une maladie à l'aide de la radiomique.
• Construire et déployer une application d'apprentissage profond visant à l'analyse d'images de soins de santé.

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.

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

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

Cette session de formation en classe contiendra des présentations, des exemples informatiques et des exercices d'études de cas à entreprendre avec des bibliothèques de réseaux neuronaux et profonds pertinentes.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs logiciels qui souhaitent programmer en Python avec OpenCV 4 pour l'apprentissage profond. A l'issue de cette formation, les participants seront capables de :

• Voir, charger et classer des images et des vidéos en utilisant OpenCV 4.
• Implémenter l'apprentissage profond dans OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles d'apprentissage profond et générer des rapports percutants à partir d'images et de vidéos.

OpenFace est un logiciel de reconnaissance faciale opensource basé sur Python et Torch basé sur la recherche FaceNet de Google Dans cette formation en ligne, les participants apprendront à utiliser les composants OpenFace pour créer et déployer un exemple d'application de reconnaissance faciale À la fin de cette formation, les participants seront en mesure de: Travaillez avec les composants OpenFace, notamment dlib, OpenVC, Torch et nn4 pour implémenter la détection, l'alignement et la transformation des visages Appliquer OpenFace aux applications realworld telles que la surveillance, la vérification d'identité, la réalité virtuelle, les jeux, l'identification des clients réguliers, etc Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Au cours de cette formation en direct animée par un instructeur, les participants apprendront à configurer et à utiliser OpenNMT pour la traduction de divers ensembles de données. Le cours commence par un aperçu des réseaux de neurones appliqués à la traduction automatique. Les participants effectueront des exercices en direct tout au long du cours pour démontrer leur compréhension des concepts appris et obtenir les commentaires de l'instructeur. À la fin de cette formation, les participants disposeront des connaissances et de la pratique nécessaires pour mettre en œuvre une solution OpenNMT direct. Des échantillons de langue source et cible seront pré-arrangés selon les exigences du public.

Format du cours

• Partie de conférence, partie de discussion, pratique intense

Dans cette formation en direct dirigée par un instructeur, nous passons en revue les principes des réseaux neuronaux et utilisons OpenNN pour mettre en œuvre un exemple d'application. Format du cours Exposé et discussion couplés à des exercices pratiques.

PaddlePaddle (PArallel Distributed Deep LEarning) est une plateforme d'apprentissage en profondeur évolutive développée par Baidu Dans cette formation en ligne, les participants apprendront comment utiliser PaddlePaddle pour permettre un apprentissage approfondi dans leurs applications de produits et de services À la fin de cette formation, les participants seront en mesure de: Configurer et configurer PaddlePaddle Configurer un réseau neuronal convolutif (CNN) pour la reconnaissance d'image et la détection d'objets Mettre en place un réseau neuronal récurrent (RNN) pour l'analyse des sentiments Mettre en place un apprentissage en profondeur sur les systèmes de recommandation pour aider les utilisateurs à trouver des réponses Prédisez les taux de clics (CTR), classifiez les ensembles d'images à grande échelle, effectuez la reconnaissance optique des caractères (OCR), effectuez des recherches de classement, détectez les virus informatiques et implémentez un système de recommandation Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Dans cette formation en direct dirigée par un instructeur, les participants apprendront des techniques avancées pour Machine Learning avec R tout en créant une application réelle. A l'issue de cette formation, les participants seront capables de :

• Comprendre et mettre en œuvre des techniques d'apprentissage non supervisé
.
• Appliquer le regroupement et la classification pour faire des prédictions basées sur des données réelles.
• Visualiser les données pour obtenir rapidement des informations, prendre des décisions et affiner l'analyse.
• Améliorer les performances d'un modèle d'apprentissage automatique à l'aide de l'optimisation des hyperparamètres.
• Mettre un modèle en production pour l'utiliser dans une application plus vaste.
• Appliquer des techniques avancées d'apprentissage automatique pour répondre à des questions impliquant des données de réseaux sociaux, des données volumineuses, et plus encore.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs qui souhaitent créer des modèles de détection et de suivi d'objets accélérés par le matériel pour analyser les données vidéo en continu. A l'issue de cette formation, les participants seront capables de :

• Installer et configurer l'environnement de développement, les logiciels et les bibliothèques nécessaires pour commencer à développer.
• Construire, entraîner et déployer des modèles d'apprentissage profond pour analyser les flux vidéo en direct.
• Identifier, suivre, segmenter et prédire différents objets dans les images vidéo.
• Optimiser les modèles de détection et de suivi des objets.
• Déployer une application d'analyse vidéo intelligente (IVA).