Formation certifiée

✅ Fondamentaux du Deep Learning (28h)/(42h)   

• Introduction à la programmation Python
• Introduction à l’apprentissage profond & aux réseaux de neurones
• • Apprentissage Supervisé vs. Apprentissage non supervisé
  • Introduction aux Perceptrons et les fonctions d’Activation
• Bases Mathématiques
• • Algèbre Linéaire
  • Probabilité
  • Calcul pour le Deep Learning
  • RetroPropagation (Backpropagation)
  • Optimisation (SGD, Adam, RMSProp)

 ✅  Réseaux de Neurones Profonds (DNN)  & Optimisation  ​ (28h)/(42h)

• Concevoir et développer des Architectures très profondes
• • Normalization Batch
  • Abandon de noeuds dans le réseau (Dropout)
  • Techniques de Régularisation
• Réglages des Hypers paramètres & Optimisation de Modèles
• • Planification du taux d’apprentissage (Learning Rate Scheduling)
  • Initialisation des poids
  • Outils d'Optimisation
  • Poids & Biais
• Projet Intégré: Application DNN (28h)/(42h)

✅  Convolutional Neural Networks (CNNs) & Computer Vision (28h)/(42h)

• Couches de Convolution 
• Mutualisation (Pooling) 
• Extraction des attributs
• Architectures Avancée (ResNet, EfficientNet, Vision Transformers)
• Traitement d’images et détection d’objets
• • YOLO
  • Faster R-CNN, 
  • Segmentation sémantique (U-Net)
• Projet Intégré: Application de vision par ordinateur (28h)/(42h)
• • Reconnaissance Faciale, Analyse d’imagerie médicales, véhicules autonomes

✅Traitement Automatique du Langage Naturel (TALN/NLP) & Transformateurs (28h)/(42h)

• Introduction au NLP & RNNs
• Les modèles en séquence (LSTMs, GRUs, Mécanismes d’Attention)
• Les modèles NLP (Architectures de Transformateurs (BERT, GPT, T5, LLaMA))
• Génération de Texte (Réglage fin pour les modèles pré-entraînés)
• Projet Intégré: Application NLP (28h)/(42h)

 ✅  IA Générative & Deep Learning avancé ​ (28h)/(42h)

• Réseaux Rivaux Génératifs (GANs)
• GANs et modèles de Diffusion
• Génération Texte-à-Image
• Génération Image-à-Image
• Projet Intégré: Application d’IA Générative (28h)/(42h)

✅  Deep Reinforcement Learning (DRL) (28h)/(42h)

• Introduction aux Réseaux de Deep Reinforcement Learning (Deep Q-Networks: DQN)
• Rejouer l’expérience
• Réseaux cibles
• Deep Q-Learning, Principes des méthodesdu Gradient
• Projet Intégré: Applications réelles du DRL (28h)/(42h)
• DRL en Robotique; DRL en Finance & Trading; DRL dans les systèmes de recommandation​

✅ Apprentissage Renforcé (RL) et Agents IA  (28h)/(42h)  

• Les composants du RL: Agent, Environnement, Etats, Actions, Récompenses
• Differences between RL, Supervised, and Unsupervised Learning
• Apprentissage sans modèle: Apprentissage en différence Temporelle (TD)
• Algorithme TD(0)
• SARSA (State-Action-Reward-State-Action)
• Q-Learning
• Différence entre On-Policy et Off-Policy Learning




• Projet Intégré: Applications réelles du RL (28h)/(42h)

RL en Robotique; RL en Finance & Trading; RL dans les systèmes de recommandation