Introduction pratique au deep learning (IPDL)
Responsable : Kamel Guerda
Intervenants : Membres de l'Ă©quipe support de l'IDRIS
Cette formation a pour objectif de doter les participants des connaissances fondamentales en deep learning, en insistant sur la compréhension des concepts de base et les bonnes pratiques essentielles. Elle vise à équiper les participants des compétences essentielles nécessaires pour débuter dans le domaine du deep learning, préparant ainsi les participants à explorer des techniques et architectures plus avancées dans le futur. Pour cela, vous pouvez aussi vous inscrire à la formation ArchDL qui explore diverses architectures. La formation ArchDL est systématiquement donné à la suite d'IPDL.
- Public concerné
- Pré-requis
- Durée et modalités
- Contenu de la formation
- Supports de cours
- Prochaines sessions
Public concernĂ©â
Cette formation est idéale pour les personnes complÚtement néophytes en Intelligence Artificielle (IA) à condition d'avoir les pré-requis. Elle s'adresse à un large éventail de profils, notamment les ingénieurs, chercheurs, développeurs, techniciens, doctorants, chefs de projet, entre autres, qui souhaitent se familiariser avec les principes fondamentaux du Deep Learning.
PrĂ©-requisâ
Bien que la formation soit introductive, une compréhension des bases en algÚbre et en statistiques est requise.
En ce qui concerne la programmation, une connaissance minimale de Python, en particulier de sa syntaxe, est nécessaire mais suffisante pour participer efficacement aux sessions pratiques.
DurĂ©e et modalitĂ©sâ
Cette formation dure 2 jours. L'accueil se fait à partir de 09h00 avec un début des cours à 9h30. L'encadrement se fait jusqu'à 18h00 avec une fin moyenne à 17h30 (variant selon le groupe en raison des TPs).
Elle a lieu uniquement en présentiel dans les locaux de l'IDRIS à Orsay (91).
Assistanceâ
Minimale : 10 personnes ;
Maximale : 18 personnes.
Contenu de la formationâ
Cette formation aborde le deep learning de maniÚre pragmatique, en définissant sa place dans l'écosystÚme de l'intelligence artificielle et en expliquant les concepts clés liés aux modÚles, à leur entraßnement et à l'exploitation des résultats.
Les exercices pratiques, combinant l'utilisation d'interfaces graphiques intuitives et de notebooks en Python avec Pytorch, permettront une intégration efficace des concepts méthodologiques, favorisant ainsi le développement d'une pratique éclairée du deep learning.
Plan :â
1. RĂ©seaux de neurones :
- Contexte, définitions et histoire
- Fondamentaux du deep learning
- Mise en pratique graphique
- Pytorch
- Mise en pratique
2. MĂ©thodologie :
- Gestion des données
- Entrainement et Ă©valuation d'un modĂšle
- Mise en pratique
Pour une exĂ©cution efficace des parties pratiques, celles-ci se dĂ©rouleront sur le supercalculateur Jean Zay. Une station de travail avec accĂšs au calculateur de l'IDRIS est mise Ă disposition des apprenants. Une expĂ©rience dans lâutilisation dâun supercalculateur, tout comme un accĂšs prĂ©alable Ă celui-ci, ne sont pas requis.
Support de coursâ
Tous les supports de cours, y compris les diapositives, les notes et les exercices pratiques, sont fournis sous la licence suivante : Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0). Pour plus de détails sur la licence, veuillez consulter cette page.
Pour consulter les dates des prochaines sessions de cette formation, rendez-vous sur la page suivante :
Inscription
Personnel CNRS/université française | Participants externes |
Vous ĂȘtes personnel du CNRS ou d'une universitĂ© française ? Votre inscription est gratuite via notre serveur. | Nos formations sâadressent Ă tous les professionnels des entreprises, organismes publics et particuliers. |
Si vous souhaitez approfondir votre découverte du deep learning, nous vous invitons à consulter la formation ArchDL qui explore diverses architectures de réseaux de neurones.