|
|
|
![](uploads/b302a03190a3c51184aefc674f67379a/00-fidle-header-03.svg)
|
|
|
|
|
|
|
|
L'idée est de proposer un **découpage en séquences** relativement courtes, de 1h à 3h maximum :
|
|
|
|
|
|
|
|
* Toutes les séquences seront **enregistrées** et **disponibles en ligne**. Il sera donc possible de rattraper une séquence.
|
|
|
|
* La séquence 1 présentant les concepts fondamentaux, elle est donc un prérequis aux suivantes.
|
|
|
|
* Les séquences suivantes sont globalement indépendantes.
|
|
|
|
* Le contenu des séquences pourra être adapté en fonction des demandes ou du contexte :-)
|
|
|
|
|
|
|
|
**Une formation en 15 séquences :**
|
|
|
|
|
|
|
|
* [Séquence 1 : Contexte et historique, de la régression linéaire aux réseaux de neurones.](#s%C3%A9quence-1-contexte-et-historique-de-la-r%C3%A9gression-lin%C3%A9aire-aux-r%C3%A9seaux-de-neurones)
|
|
|
|
* [Séquence 2 : Réseaux convolutifs, partie 1](#s%C3%A9quence-2-r%C3%A9seaux-convolutifs-partie-1)
|
|
|
|
* [Séquence 3 : Réseaux convolutifs, partie 2](#s%C3%A9quence-3-r%C3%A9seaux-convolutifs-partie-2)
|
|
|
|
* [Séquence 4 : Démystifier les outils mathématiques](#s%C3%A9quence-4-d%C3%A9mystifier-les-outils-math%C3%A9matiques)
|
|
|
|
* [Séquence 5 : Données creuses de dimensions variables et stratégies d'évaluation des modèles](#s%C3%A9quence-5-donn%C3%A9es-creuses-de-dimensions-variables-et-strat%C3%A9gies-d%C3%A9valuation-des-mod%C3%A8les)
|
|
|
|
* [Séquence 6 : Données séquentielles : quand les données sont des séquences temporelles](#s%C3%A9quence-6-donn%C3%A9es-s%C3%A9quentielles-quand-les-donn%C3%A9es-sont-des-s%C3%A9quences-temporelles)
|
|
|
|
* [Séquence 7 : "Attention Is All You Need", quand les Transformers changent la donne](#s%C3%A9quence-7-attention-is-all-you-need-quand-les-transformers-changent-la-donne)
|
|
|
|
* [Séquence 8 : Autoencodeur (AE) : un exemple d'apprentissage "self supervised"](#s%C3%A9quence-8-autoencodeur-ae-un-exemple-dapprentissage-self-supervised)
|
|
|
|
* [Séquence 9 : Variational Autoencoder (VAE) : apprentissage "self supervised", réseau génératif](#s%C3%A9quence-9-variational-autoencoder-vae-apprentissage-self-supervised-r%C3%A9seau-g%C3%A9n%C3%A9ratif)
|
|
|
|
* [Séquence 10 : Generative Adversarial Networks (GAN)](#s%C3%A9quence-10-generative-adversarial-networks-gan)
|
|
|
|
* [Séquence 11 : Un détour par PyTorch.](#s%C3%A9quence-11-un-d%C3%A9tour-par-pytorch)
|
|
|
|
* [Séquence 12 : Passer à la vitesse supérieure : Jean-Zay et accélération GPU](#s%C3%A9quence-12-passer-%C3%A0-la-vitesse-sup%C3%A9rieure-jean-zay-et-acc%C3%A9l%C3%A9ration-gpu)
|
|
|
|
* [Séquence 13 : Introduction au Deep Reinforcement Learning](#s%C3%A9quence-13-introduction-au-deep-reinforcement-learning)
|
|
|
|
* [Séquence 14 - AI, droit, société et éthique](#s%C3%A9quence-14-ai-droit-soci%C3%A9t%C3%A9-et-%C3%A9thique)
|
|
|
|
* [Séquence 15 : Clôture et bilan](#s%C3%A9quence-15-cl%C3%B4ture-et-bilan)
|
|
|
|
|
|
|
|
### Séquence 1 : Contexte et historique, de la régression linéaire aux réseaux de neurones.
|
|
|
|
|
|
|
|
* **Historique** et **concepts fondamentaux** des réseaux de neurones\
|
|
|
|
Fonction de perte - Descente de gradient - Optimisation - Hyperparamètres\
|
|
|
|
Préparation des données - Apprentissage - Validation - Sous et sur apprentissage\
|
|
|
|
Fonctions d’activation - softmax
|
|
|
|
* Exemples proposés : Régression et Classification avec des DNN
|
|
|
|
* Durée : 3h
|
|
|
|
|
|
|
|
### Séquence 2 : Réseaux convolutifs, partie 1
|
|
|
|
|
|
|
|
* Principes et concepts des **réseaux convolutifs (CNN)**
|
|
|
|
* Convolutions - Dropout - Pooling
|
|
|
|
* Exemple proposé : Classification de chiffres manuscrits
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 3 : Réseaux convolutifs, partie 2
|
|
|
|
|
|
|
|
* Quand les datasets et les calculs grossissent, problématiques liées à la **gestion des données**
|
|
|
|
* Rappel sur les convolutions - Monitoring et Tensorboard - Augmentation de données\
|
|
|
|
Passage à l'échelle (du notebook au batch) - Points de reprise (checkpoint)
|
|
|
|
* Exemple proposé : Classification de panneaux routiers
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 4 : Démystifier les outils mathématiques
|
|
|
|
|
|
|
|
* Présentation mathématique de l'optimisation par descente de gradient
|
|
|
|
* Principe de la backpropagation
|
|
|
|
* Mise en lumière de l'intérêt pratique des méthodes stochastiques
|
|
|
|
* Exemple proposé : Programmation à la main de l'apprentissage d'un réseau convolutif
|
|
|
|
* Durée : 2h30
|
|
|
|
|
|
|
|
### Séquence 5 : Données creuses de dimensions variables et stratégies d'évaluation des modèles
|
|
|
|
|
|
|
|
* Stratégies d'évaluation des modèles - Hold out, iterative hold out, k-fold, etc.
|
|
|
|
* Spécificités et gestion des données creuses/textuelles
|
|
|
|
* Principes de l'Embedding (Keras, CBOW, Skip-Gram), comment réduire les dimensions.
|
|
|
|
* Exemple proposé : Analyse de sentiment avec une analyse de critique de films.
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 6 : Données séquentielles : quand les données sont des séquences temporelles
|
|
|
|
|
|
|
|
* Données séquentielles et réseaux récurrents (RNN)
|
|
|
|
* RNN - LSTM - GRU - Spécificités des données séquentielles - Data Generator
|
|
|
|
* Exemple proposée : Prédiction d'une séquence temporelle avec une prédiction météorologique à 3h et 12h
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 7 : "Attention Is All You Need", quand les Transformers changent la donne
|
|
|
|
|
|
|
|
* Nouvelle evolution des modeles
|
|
|
|
* Fine tuning
|
|
|
|
* Cas d'usages : BERT, GPT
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 8 : Autoencodeur (AE) : un exemple d'apprentissage "self supervised"
|
|
|
|
|
|
|
|
* Principes et architecture d'un autoencodeur (AE)
|
|
|
|
* Espace latent - Convolution classiques et transposées
|
|
|
|
* Programmation procédurale avec Keras - GPU et batch
|
|
|
|
* Exemple proposé : Débruitage d'images fortement bruitées
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 9 : Variational Autoencoder (VAE) : apprentissage "self supervised", réseau génératif
|
|
|
|
|
|
|
|
* Principes et architecture d’un Variational AutoEncodeur (VAE)
|
|
|
|
* Problématique liée aux « gros » datasets
|
|
|
|
* Projection gaussienne - Génération de données - Morphing dans l'espace latent
|
|
|
|
* Datasets clusterisés - GPU et batch
|
|
|
|
* Exemple proposé : Génération de portraits
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 10 : Generative Adversarial Networks (GAN)
|
|
|
|
|
|
|
|
* Principes et architecture d'un GAN
|
|
|
|
* Generator - Discriminator - Apprentissage
|
|
|
|
* WGAN et WGAN-GP
|
|
|
|
* Exemple proposé : A définir
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 11 : Un détour par PyTorch.
|
|
|
|
|
|
|
|
* Présentation générale
|
|
|
|
* Principes et objets clés pour programmer sous PyTorch
|
|
|
|
* Exemples : Classification et regression sous PyTorch
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 12 : Passer à la vitesse supérieure : Jean-Zay et accélération GPU
|
|
|
|
|
|
|
|
* Présentation de Jean-Zay et calcul sur GPU
|
|
|
|
* Distribution du calcul - Data Parallelism - Model Parallelism
|
|
|
|
* Hybrid Parallelism - Pipelines
|
|
|
|
* Deepspeed - Optimisation du Data parallelism
|
|
|
|
* Bonnes pratiques pour un apprentissage distribué
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 13 : Introduction au Deep Reinforcement Learning
|
|
|
|
|
|
|
|
* Algorithme de Reinforcement Learning : Q-Learning, SARSA, etc (45 min)
|
|
|
|
* Deep reinforcement Learning : pour passer à des espaces à hautes dimensionalités via des fonctions d'approximation (45 min)
|
|
|
|
* Cas d'usage et résultats (30 min)
|
|
|
|
* Illustrations via des vidéos.
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 14 - AI, droit, société et éthique
|
|
|
|
|
|
|
|
* Interprétabilité, reproductibilité, biais
|
|
|
|
* Cadre légal
|
|
|
|
* Privacy
|
|
|
|
* Session interactive
|
|
|
|
* Durée : 2h
|
|
|
|
|
|
|
|
### Séquence 15 : Clôture et bilan
|
|
|
|
|
|
|
|
* Pour aller au delà de ce premier contact...
|
|
|
|
* Conclusion et bilan
|
|
|
|
* Durée 1h
|
|
|
|
|
|
|
|
![](uploads/fd909e4607c0e9858a8088b5f39f60f5/00-fidle-ender-03.svg) |
|
|
|
\ No newline at end of file |