Formation Deep Learning en Dartmouth

Cette formation en présentiel ou à distance, animée par un instructeur, s'adresse aux développeurs de niveau intermédiaire, aux data scientists et aux praticiens de l'IA souhaitant tirer parti de TensorFlow Lite pour des applications Edge AI.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux de TensorFlow Lite et son rôle dans l'Edge AI.
• Développer et optimiser des modèles d'IA en utilisant TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils edge.
• Utiliser des outils et techniques pour la conversion et l'optimisation des modèles.
• Mettre en œuvre des applications Edge AI pratiques en utilisant TensorFlow Lite.

Cette formation en direct, animée par un instructeur, en Dartmouth (en ligne ou en présentiel), s'adresse aux professionnels de niveau avancé souhaitant approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués avec Google Colab.

À la fin de cette formation, les participants seront en mesure de :

• Créer et entraîner des réseaux neuronaux convolutifs (CNN) avec TensorFlow.
• Tirer parti de Google Colab pour un développement de modèles évolutif et efficace dans le cloud.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct animée par un instructeur à Dartmouth (en ligne ou en présentiel) s'adresse aux data scientists et développeurs de niveau intermédiaire qui souhaitent comprendre et appliquer des techniques d'apprentissage profond en utilisant l'environnement Google Colab.

À la fin de cette formation, les participants seront en mesure de :

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
• Comprendre les fondamentaux des réseaux neuronaux.
• Implémenter des modèles d'apprentissage profond à l'aide de TensorFlow.
• Entraîner et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Cette formation en direct, animée par un formateur à Dartmouth (en ligne ou sur site), s’adresse aux professionnels de niveau avancé souhaitant se spécialiser dans les techniques d’apprentissage profond de pointe pour la CLN.

À l’issue de cette formation, les participants seront capables de :

• Comprendre les différences clés entre les modèles de CLN et de TAL.
• Appliquer des techniques avancées d’apprentissage profond aux tâches de CLN.
• Explorer des architectures profondes telles que les transformeurs et les mécanismes d’attention.
• Exploiter les tendances futures de la CLN pour concevoir des systèmes d’intelligence artificielle sophistiqués.

Cette formation en direct, animée par un formateur à Dartmouth (en ligne ou sur site), s'adresse à des professionnels de niveau avancé souhaitant explorer les techniques de pointe en matière d'IA explicable (XAI) pour les modèles d'apprentissage profond, avec un accent particulier sur la création de systèmes d'IA interprétables.

À la fin de cette formation, les participants seront capables de :

• Comprendre les défis liés à l'explicabilité dans l'apprentissage profond.
• Mettre en œuvre des techniques d'IA explicable avancées pour les réseaux de neurones.
• Interpréter les décisions prises par les modèles d'apprentissage profond.
• Évaluer les compromis entre performance et transparence.

Cette formation en direct, animée par un formateur à Dartmouth (en ligne ou en présentiel), s'adresse aux scientifiques des données, ingénieurs en apprentissage automatique, chercheurs en apprentissage profond et experts en vision par ordinateur de niveau intermédiaire à avancé souhaitant élargir leurs connaissances et compétences dans le domaine de la génération d'images à partir de texte.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les architectures et techniques avancées d'apprentissage profond pour la génération d'images à partir de texte.
• Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
• Optimiser les performances et la scalabilité pour de grands ensembles de données et des modèles complexes.
• Ajuster les hyperparamètres afin d'améliorer les performances du modèle et sa capacité de généralisation.
• Intégrer Stable Diffusion avec d'autres frameworks et outils d'apprentissage profond

Cette formation en direct dirigée par un instructeur à Dartmouth (en ligne ou sur site) s'adresse aux professionnels de niveau avancé qui souhaitent exploiter les techniques d'IA pour révolutionner les processus de découverte et de développement de médicaments.

À l'issue de cette formation, les participants seront capables de :

• Comprendre le rôle de l'IA dans la découverte et le développement de médicaments.
• Appliquer des techniques d'apprentissage automatique pour prédire les propriétés moléculaires et les interactions.
• Utiliser des modèles d'apprentissage profond pour le criblage virtuel et l'optimisation des molécules candidates.
• Intégrer des approches pilotées par l'IA dans le processus des essais cliniques.

Cette formation en présentiel ou à distance, animée par un formateur, s'adresse aux biologistes souhaitant comprendre le fonctionnement d'AlphaFold et utiliser les modèles générés par AlphaFold comme guides dans leurs études expérimentales.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de base d'AlphaFold.
• Apprendre comment fonctionne AlphaFold.
• Apprendre à interpréter les prédictions et les résultats d'AlphaFold.

Cette formation en présentiel ou en ligne, encadrée par un formateur, à Dartmouth, s'adresse aux développeurs débutants ou intermédiaires souhaitant utiliser les grands modèles de langage pour diverses tâches de traitement du langage naturel.

À l'issue de cette formation, les participants seront en mesure de :

• Mettre en place un environnement de développement incluant un LLM populaire.
• Créer un LLM basique et l'affiner (fine-tuning) sur un jeu de données personnalisé.
• Utiliser les LLM pour différentes tâches de traitement du langage naturel, telles que la synthèse de texte, la réponse aux questions, la génération de texte, etc.
• Dépanner et évaluer les LLM à l'aide d'outils tels que TensorBoard, PyTorch Lightning et Hugging Face Datasets.

Cette formation en présentiel ou en ligne, animée par un instructeur, s'adresse aux data scientists, ingénieurs en apprentissage automatique et chercheurs en vision par ordinateur souhaitant exploiter Stable Diffusion pour générer des images de haute qualité à l'intention de divers cas d'utilisation.

À l'issue de cette formation, les participants seront en mesure de :

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

Lors de cette formation en présentiel encadrée par un formateur à Dartmouth, les participants apprendront les techniques de machine learning les plus pertinentes et les plus pointues en Python, tout en développant une série d'applications de démonstration manipulant des données image, musicales, textuelles et financières.

À l'issue de cette formation, les participants seront en mesure de :

• Mettre en œuvre des algorithmes et des techniques de machine learning pour résoudre des problèmes complexes.
• Appliquer l'apprentissage profond et l'apprentissage semi-supervisé à des applications impliquant des données image, musicales, textuelles et financières.
• Exploiter au maximum les capacités des algorithmes Python.
• Utiliser des bibliothèques et des packages tels que NumPy et Theano.

Applied AI from Scratch in Python offre aux programmeurs et aux analystes de données les techniques fondamentales pour concevoir des solutions d'apprentissage automatique en partant de zéro avec Python. Il couvre les principes de base de l'apprentissage supervisé (classification et régression), de l'apprentissage non supervisé (clustering et détection d'anomalies), ainsi que des architectures avancées de réseaux neuronaux. Le cours examine des méthodes éprouvées pour travailler avec scikit-learn, Apache Spark MLlib et les blocs-notes Jupyter afin de développer l'IA de manière pratique. Il aide les professionnels à implémenter des modèles ML concrets, à évaluer les limites des algorithmes et à réaliser des projets appliqués pour résoudre des problèmes réels.

L'apprentissage par renforcement profond (DRL) combine les principes de l'apprentissage par renforcement avec des architectures d'apprentissage profond pour permettre aux agents de prendre des décisions grâce à leur interaction avec leur environnement. Il sous-tend de nombreuses avancées modernes en IA, telles que les véhicules autonomes, le contrôle robotique, le trading algorithmique et les systèmes de recommandation adaptatifs. Le DRL permet à un agent artificiel d'apprendre des stratégies, d'optimiser des politiques et de prendre des décisions autonomes basées sur l'essai et l'erreur, en utilisant un apprentissage par récompense.

Cette formation dirigée par un instructeur (en ligne ou sur site) s'adresse aux développeurs et aux scientifiques des données de niveau intermédiaire souhaitant apprendre et appliquer les techniques d'apprentissage par renforcement profond pour construire des agents intelligents capables de prendre des décisions autonomes dans des environnements complexes.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les fondements théoriques et les principes mathématiques de l'apprentissage par renforcement.
• Implémenter des algorithmes RL clés, notamment Q-Learning, les gradients de politique et les méthodes Actor-Critic.
• Construire et entraîner des agents d'apprentissage par renforcement profond en utilisant TensorFlow ou PyTorch.
• Appliquer le DRL à des applications réelles telles que les jeux, la robotique et l'optimisation des décisions.
• Dépanner, visualiser et optimiser les performances d'entraînement à l'aide d'outils modernes.

Format du cours

• Conférence interactive et discussion guidée.
• Exercices pratiques et implémentations concrètes.
• Démonstrations de codage en direct et applications basées sur des projets.

Options de personnalisation du cours

• Pour demander une version personnalisée de ce cours (par exemple, en utilisant PyTorch au lieu de TensorFlow), veuillez nous contacter pour en convenir.

Explorer les fondamentaux de l'intelligence artificielle révèle comment la technologie intelligente transforme la stratégie numérique, l'automatisation et la prise de décision au sein des opérations d'entreprise. Cet examen couvre les concepts clés de l'histoire de l'IA, les cadres de résolution de problèmes, la représentation des connaissances, le raisonnement en contexte d'incertitude, et les paradigmes d'apprentissage automatique, ainsi que la communication, la perception et l'action autonome. Il guide les dirigeants et les architectes dans l'évaluation des opportunités de transformation par l'IA, l'analyse des tendances émergentes en technologie, et l'intégration de solutions intelligentes pratiques pour accélérer l'agilité des affaires.

Ce cours porte sur l'IA (en mettant l'accent sur l'apprentissage automatique et l'apprentissage profond) dans le secteur automobile. Il permet de déterminer quelles technologies peuvent (éventuellement) être utilisées dans divers scénarios au sein d'un véhicule : de l'automatisation basique à la reconnaissance d'images, en passant par la prise de décision autonome.

Un réseau neuronal artificiel (RNA) est un modèle de données computationnel utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches « intelligentes ». Les réseaux neuronaux sont couramment employés dans les applications d'apprentissage automatique (ML), qui constituent l'une des implémentations de l'IA. L'apprentissage profond (Deep Learning) est un sous-ensemble de l'apprentissage automatique.

Ce cours en direct, animé par un formateur à Dartmouth (en ligne ou en présentiel), offre une introduction au domaine de la reconnaissance de motifs et de l'apprentissage automatique. Il aborde des applications pratiques en statistiques, en informatique, en traitement du signal, en vision par ordinateur, en fouille de données et en bio-informatique.

À la fin de cette formation, les participants seront capables de :

• Appliquer les méthodes statistiques fondamentales à la reconnaissance de motifs.
• Utiliser des modèles clés tels que les réseaux neuronaux et les méthodes noyau pour l'analyse de données.
• Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
• Améliorer la précision des prévisions en combinant différents modèles.

Cette formation en direct animée par un instructeur à Dartmouth (en ligne ou sur site) s'adresse aux développeurs de logiciels, aux analystes de données et aux professionnels techniques qui souhaitent utiliser TensorFlow 2.x et Keras pour construire, entraîner et déployer des modèles d'apprentissage en profondeur pour la vision par ordinateur, le traitement du langage naturel et les applications multimodales.

Cette formation animée par un instructeur en Dartmouth (en ligne ou en présentiel) s'adresse aux scientifiques des données qui souhaitent utiliser TensorFlow pour analyser des données potentielles de fraude.

À la fin de cette formation, les participants seront capables de :

• Créer un modèle de détection de la fraude en Python et TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'intelligence artificielle de bout en bout pour l'analyse des données de fraude.

Dans le cadre de cette formation en présentiel animée par un instructeur, les participants apprendront à utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones convolutif (CNN) destiné à la reconnaissance d'images.

À l'issue de cette formation, les participants seront en mesure de :

• Construire un modèle d'apprentissage profond
• Automatiser l'étiquetage des données
• Travailler avec des modèles provenant de Caffe et TensorFlow-Keras
• Former des données à l'aide de plusieurs GPU, du cloud ou de clusters

Public cible

• Développeurs
• Ingénieurs
• Experts du domaine

Format de la formation

• Cours magistral, discussions, exercices et pratique intensive en atelier

Cette formation en direct animée par un formateur en Dartmouth (en ligne ou sur site) s'adresse aux développeurs et aux data scientists qui souhaitent utiliser Tensorflow 2.x pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc.

À la fin de cette formation, les participants seront en mesure de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond sur le cloud, les appareils mobiles et les dispositifs IoT.

Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux neuronaux et, plus généralement, sur les algorithmes d'apprentissage automatique, l'apprentissage profond (algorithmes et applications).

La partie 1 (40 %) de cette formation se concentre davantage sur les fondamentaux, mais vous aidera à choisir la bonne technologie : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La partie 2 (20 %) de cette formation présente Theano, une bibliothèque Python qui facilite l'écriture de modèles d'apprentissage profond.

La partie 3 (40 %) de la formation sera largement basée sur TensorFlow, l'API de la bibliothèque open source de Google dédiée à l'apprentissage profond. Tous les exemples et ateliers pratiques seront réalisés dans TensorFlow.

Audience

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond.

À l'issue de ce cours, les participants seront en mesure de :

• avoir une bonne compréhension des réseaux neuronaux profonds (DNN), des CNN et des RNN
• comprendre la structure et les mécanismes de déploiement de TensorFlow
• être en mesure d'effectuer les tâches d'installation, de configuration de l'environnement de production et d'architecture
• être en mesure d'évaluer la qualité du code, de déboguer et de surveiller
• être en mesure de mettre en œuvre des fonctions avancées de production telles que l'entraînement de modèles, la construction de graphes et la journalisation