Frameworks, optimisation et déploiement de modèles

• Comprendre les concepts fondamentaux du Deep Learning
• Maîtriser les techniques avancées pour optimiser la performance des modèles de Deep Learning
• Apprendre à déployer des modèles de Deep Learning dans des environnements de production

1. Les fondamentaux du Deep Learning

Introduction au Deep Learning

• Historique et évolution
• Applications et cas d’usage

Concepts de base

• Réseaux de neurones artificiels
• Fonction d’activation
• Propagation avant et rétropropagation

Types de réseaux de neurones

• Réseaux de neurones convolutifs, récurrents etgénératifs adverses

Techniques de régularisation

• Dropout
• Normalisation par lots (Batch Normalization)
• Early stopping
• Régularisation L1 et L2

2. Optimisation des modèles de Deep Learning

Algorithmes d’optimisation

• Gradient Descent
• Adam
• RMSprop

Tuning des hyperparamètres

• Recherche par grille (Grid Search)
• Recherche aléatoire (Random Search)
• Optimisation bayésienne