Formation certifiée

 

Parcours Deep Learning & IA


Durée de la formation :   

Non informaticiens : 10 mois (546h)

Informaticiens : 7 mois (364h)

Objectifs:

  Gain d’expertise dans l’usage de Frameworks comme TensorFlow, PyTorch, et des architectures IA avancées. 

    Appliquer le Deep Learning dans des applications réelles comme la Vision par ordinateur, le TALN, l’IA Générative, et l’apprentissage renforcé (Reinforcement Learning).  

Modules:

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

NVIDIA Certifications ​


 Fondamentaux du Deep Learning

 Création d’applications de traitement du langage naturel basées sur les Transformers

 Création d’applications avec des LLM grâce au prompt engineering

 Création d’agents RAG avec des LLM

 ​

  Personnalisation efficace des LLM

 Développement rapide d’applications avec les LLM

 Création d’applications d’IA conversationnelle

 Vision par ordinateur pour l’inspection industrielle

 IA générative avec des modèles de diffusion

 (+216) 98 106 016  -(+216) 98 270 400

   training-center@horizon-tech.tn