Comprenez les mécanismes du deep learning en entraînant un petit réseau et en analysant son comportement. Les architectures spécialisées sont comparées à partir de leurs usages et limites, avec une place centrale donnée aux données et à l’évaluation.
Développeurs et analystes souhaitant comprendre les réseaux de neurones et réaliser un premier entraînement guidé.
Prérequis
introduction aux notebooks JupyterDécouverte de TensorFlowInstallation de TensorFlow et son éco système, présentation des tensors (tableaux multidimensionnels), des variables et placeholders, présentation des graphes et sessions TensorFlowExemples avec les APIs TensorFlow : Estimators, Layers, Datasets…Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes d’apprentissage avec TensorBoard.
Des compétences à mettre en pratique
Objectifs pédagogiques
Maitriser les concepts fondamentaux du Deep learning et leur origine
Identifier les principaux types de réseaux de neurones (simples, convolutifs, récursifs, etc.)
Savoir quand les utiliser ?
Appréhender les modèles de Deep Learning plus avancés (auto-encodeurs, gans, apprentissage par renforcement, …)
Appréhender les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
Comprendre en quoi consiste la mise en œuvre concrète des réseaux de neurones
Utiliser un framework de référence : Keras de TensorFlow
Votre progression, jour après jour
Programme détaillé
6 séquences · 21 heures indicatives · ateliers et évaluation
Comprendre les réseaux de neurones en entraînant un petit modèle avec Keras, puis situer les architectures plus avancées.
Préparer votre formation et découvrir la méthode
Préparer la formation
Notions de Python et d'algèbre élémentaire conseillées ; notebook Keras/TensorFlow préparé, données réduites.
Apports illustrés, exercices progressifs, ateliers sur un cas fil rouge et retour argumenté sur les productions. Les ateliers et l'évaluation font partie des heures indiquées.
Jour 01Du neurone à la fonction de perte7 h · 2 séquences avec mise en pratique
Séquence 1 · 3 h 30
Du neurone à la fonction de perte
Relier poids, biais, activation et sortie.
Expliquer apprentissage et minimisation d'une erreur.
Situer apprentissage profond parmi les méthodes de machine learning.
Calculer sur un exemple simple l’effet d’un poids sur la perte ; relier dérivée, règle de chaîne et mise à jour par descente de gradient.
Notions et méthodes en détail
Relier combinaison linéaire, activation et fonction de perte à une prédiction supervisée.
Illustrer descente de gradient, taux d’apprentissage et taille de lot sur un problème simple.
Distinguer paramètres appris et hyperparamètres choisis sans assimiler apprentissage et mémorisation utile.
Atelier prévuCalculer à la main la sortie d'un neurone simple puis observer l'effet d'un changement de poids.
Livrable attenduSchéma du réseau et calcul commenté d’une prédiction.
Vérification en atelierLe participant explique pourquoi une perte diminue sans garantir une bonne généralisation.
Pour aller plus loin
Expliquer sur un exemple simple pourquoi une fonction non linéaire est nécessaire pour séparer certaines données.
Séquence 2 · 3 h 30
Construire un réseau dense avec Keras
Assembler des couches avec formes d'entrée et de sortie cohérentes.
Choisir perte, optimiseur et métriques pour une tâche simple.
Séparer données d'entraînement, de validation et de test.
Définir forme des entrées, encodage des cibles et choix cohérent de la dernière couche et de la perte.
Notions et méthodes en détail
Construire couches, sortie et compilation d’un réseau Keras adaptés à la cible.
Préparer encodage, normalisation et séparation des données avant l’appel à fit.
Suivre un modèle de référence avant d’augmenter profondeur ou nombre de neurones.
Atelier prévuEntraîner un premier classifieur et vérifier son comportement sur des exemples jamais utilisés pendant l'apprentissage.
Livrable attenduNotebook Keras et contrôles de cohérence des tenseurs.
Vérification en atelierLe réseau reçoit les dimensions attendues et son évaluation utilise un jeu distinct.
Pour aller plus loin
Construire une baseline puis contrôler la capacité du réseau à apprendre un petit sous-ensemble avant toute recherche d’architecture.
Jour 02Lire les courbes d'apprentissage7 h · 2 séquences avec mise en pratique
Séquence 3 · 3 h 30
Lire les courbes d'apprentissage
Reconnaître sous-apprentissage et surapprentissage.
Relier taille des lots et taux d'apprentissage à la convergence.
Introduire arrêt anticipé et régularisation sur un exemple guidé.
Identifier sous-apprentissage, surapprentissage et instabilité dans les courbes de perte et les métriques.
Notions et méthodes en détail
Lire courbes de perte et métriques ; reconnaître divergence, sous-apprentissage et surapprentissage.
Comparer régularisation, dropout et arrêt anticipé sur une même expérience.
Conserver configuration et seed tout en expliquant les limites de la reproductibilité numérique.
Atelier prévuComparer trois entraînements et expliquer les écarts entre qualité d'entraînement et qualité de validation.
Livrable attenduCourbes annotées et tableau d’expériences.
Vérification en atelierLe réglage proposé répond au défaut réellement visible dans les courbes.
Pour aller plus loin
Comparer arrêt anticipé, régularisation et réduction du taux d’apprentissage en ne changeant qu’un facteur à la fois.
Séquence 4 · 3 h 30
Comprendre les architectures spécialisées
Relier convolution et structure spatiale des images.
Situer réseaux récurrents, LSTM et attention pour des séquences.
Choisir une architecture en fonction de la donnée et de l'objectif.
Relier convolution, récurrence et attention aux structures des images, séquences et textes.
Notions et méthodes en détail
Relier convolution et partage de poids aux images ; observer l’effet du pooling.
Comparer traitement d’une séquence et d’un tableau fixe en tenant compte de l’ordre.
Choisir une architecture selon la structure des données plutôt que sa seule popularité.
Atelier prévuÉtudier un CNN et un modèle de séquence préparés ; identifier les dimensions et le rôle des principales couches.
Livrable attenduMatrice problèmes/architectures et choix motivé.
Vérification en atelierLa justification décrit quelle propriété des données l’architecture exploite.
Pour aller plus loin
Justifier une famille d’architecture à partir des dépendances du problème plutôt que de la popularité du modèle.
Jour 03Découvrir les familles avancées7 h · 2 séquences avec mise en pratique
Séquence 5 · 3 h 30
Découvrir les familles avancées
Expliquer représentation latente et reconstruction d'un autoencodeur.
Situer génération adversariale et modèles génératifs sans les entraîner à grande échelle.
Distinguer apprentissage par renforcement et apprentissage supervisé.
Situer autoencodeurs, modèles génératifs et apprentissage par renforcement ; distinguer génération et décision.
Notions et méthodes en détail
Situer attention, transformers et modèles génératifs à partir de leurs entrées et sorties.
Distinguer utilisation d’un modèle préentraîné, transfert et entraînement depuis zéro.
Examiner coût de calcul, taille du jeu de données et risques d’adaptation au domaine.
Atelier prévuAssocier détection d'anomalies, génération d'images et contrôle d'un système aux familles adaptées, en explicitant leurs contraintes.
Livrable attenduFiche de lecture d’une architecture avancée.
Vérification en atelierLe scénario distingue expérimentation guidée et entraînement industriel hors périmètre.
Pour aller plus loin
Analyser les contraintes d’un modèle préentraîné : domaine de validité, données nécessaires et risques de réutilisation.
Séquence 6 · 3 h 30
Évaluer la pertinence d'un projet deep learning
Comparer baseline simple et réseau sur coût et qualité.
Examiner disponibilité des labels, puissance de calcul et maintenance.
Décrire limites d'interprétation et risques de généralisation.
Comparer deep learning et méthodes plus simples selon volume, ressources, performance utile et explicabilité.
Notions et méthodes en détail
Établir besoin, baseline, disponibilité des labels et budget d’expérimentation.
Analyser erreurs par classe et conditions d’utilisation ; prévoir contrôle humain et repli.
Présenter un protocole de pilote et les résultats nécessaires à une décision de poursuite.
Atelier prévuRemettre le notebook du classifieur et une note motivant quand l'utiliser, quand préférer un modèle simple et quelles données collecter.
Livrable attenduDossier de faisabilité et plan d’expérimentation.
Vérification en atelierLe projet peut être refusé si données, évaluation ou valeur métier sont insuffisantes.
Pour aller plus loin
Définir un pilote dont les critères de réussite incluent qualité des données, coût d’inférence et conditions de supervision.
Mettre vos acquis à l’épreuve
Évaluation finale prévue
Mise en situation individuelle et restitution commentée, incluses dans la dernière séquence. Durée indicative : 60 minutes.
Critères de réussite
Le participant explique les composants du réseau construit.
Les courbes sont interprétées sans confondre validation et test.
Les architectures avancées sont situées avec leurs limites.
Adaptation et validation pédagogique. Version enrichie proposée, à valider par le formateur. Répartition pédagogique proposée sur une base de 7 heures par jour, pauses exclues. À ajuster avec le formateur au positionnement initial. Les approfondissements « Pour aller plus loin » sont sélectionnés par le formateur selon le positionnement et le temps disponible ; ils ne constituent pas des heures supplémentaires garanties.
Les ateliers décrivent les travaux prévus. Leurs fichiers, corrigés et évaluations en ligne sont à préparer, sauf ressources explicitement disponibles dans le module pilote.
Références pour approfondir
Documentation des organismes et éditeurs. La progression et les ateliers sont une rédaction originale pour Beyond Expertise.
Le centre doit confirmer les prérequis, le programme final, les dates, les horaires et le tarif avant inscription. Le délai d’accès dépend des disponibilités et du besoin. L’ouverture d’une session et la disponibilité d’un cours e-learning sont confirmées avant inscription.
Les ateliers, méthodes et évaluations du programme sont proposés pour validation pédagogique. Les supports effectivement disponibles sont indiqués dans la section « Contenu e-learning ».
Le parcours ne délivre pas de diplôme ni de certification professionnelle. Aucune éligibilité CPF ou prise en charge n’est garantie. Toute préparation à un examen externe devra faire l’objet d’informations et d’habilitations vérifiées.
Deep Learning : les fondamentaux — parcours interactif
Durée indicative : 777 minutes. Ce module couvre une partie du parcours 3 jours présenté sur le site officiel.
Votre parcours et votre projet10 min
Comprendre ce que produit une IA20 min
Pratiquer — Comprendre ce que produit une IA5 min
Séparer, transformer et éviter les fuites20 min
Pratiquer — Séparer, transformer et éviter les fuites5 min
Comparer les modèles et interpréter les erreurs20 min
Pratiquer — Comparer les modèles et interpréter les erreurs5 min
Du neurone au réseau entraîné20 min
Pratiquer — Du neurone au réseau entraîné5 min
Choisir une architecture de Deep Learning20 min
Pratiquer — Choisir une architecture de Deep Learning5 min
Lire et concevoir un entraînement Keras20 min
Pratiquer — Lire et concevoir un entraînement Keras5 min
Évaluer les sorties et organiser la correction20 min
Pratiquer — Évaluer les sorties et organiser la correction5 min
Concevoir un contrôle visuel et démontrer l’apprentissage15 min
Ressources et notebooks du parcours5 min
Exemples exécutables, atelier guidé, jeu de données synthétique, TP avec remise au formateur et quiz de dix questions. Le corrigé du TP devient accessible après le retour du formateur.
Durée, niveau, modalités, objectifs et tarif relevés sur le site officiel le 11 septembre 2026. Le déroulé détaillé a été enrichi par Beyond Expertise. Validation pédagogique du formateur à réaliser avant animation.
