Les fondamentaux du Deep learning avec R 
Prochaines sessions et informations pratiques
- Comprendre et savoir mettre en œuvre les réseaux de neurones denses (DNN), à l’aide de l’algorithme de rétro-propagation (backpropagation)
- Comprendre et savoir mettre en œuvre les réseaux de neurones convolutifs (CNN) et le transfer learning
- Comprendre et savoir mettre en œuvre les réseaux de neurones récurrents (RNN)
- Comprendre et savoir mettre en œuvre les autoencoders (AE)
- Comprendre et savoir mettre en œuvre les réseaux de neurones denses (DNN), à l’aide de l’algorithme de rétro-propagation (backpropagation)
- Comprendre et savoir mettre en œuvre les réseaux de neurones convolutifs (CNN) et le transfer learning
- Comprendre et savoir mettre en œuvre les réseaux de neurones récurrents (RNN)
- Comprendre et savoir mettre en œuvre les autoencoders (AE)
- Cnnaissances avancées en Machine learning (formation Machine learning : bagging, gradient boosting, SVM avec R).
- Connaissances intermédiaires du logiciel R (formation Rintermédiaire)
- Cnnaissances avancées en Machine learning (formation Machine learning : bagging, gradient boosting, SVM avec R).
- Connaissances intermédiaires du logiciel R (formation Rintermédiaire)
Data scientists
Data scientists
Réseaux de neurones denses – DNN
- Neurone formel
- Perceptron multicouches (MLP)
- Fonctions d’activation
- Algorithme de retro-propagation
- Applications sur cas pratiques
Considérations informatiques
- Frameworks TensorFlow, Keras et PyTorch
- GPU & cloud computing
Réseaux de neurones convolutifs – CNN
- Convolution
- Architectures classiques de CNN
- Transfer learning
- Applications sur cas pratiques
Réseaux de neurones récurrents – RNN
- Neurone récurrent
- Cellule récurrente
- LSTM
- Applications sur cas pratiques
Autoencoders – AE
- Architecture
- Applications sur cas pratiques
Introduction aux modèles GAN
Réseaux de neurones denses – DNN
- Neurone formel
- Perceptron multicouches (MLP)
- Fonctions d’activation
- Algorithme de retro-propagation
- Applications sur cas pratiques
Considérations informatiques
- Frameworks TensorFlow, Keras et PyTorch
- GPU & cloud computing
Réseaux de neurones convolutifs – CNN
- Convolution
- Architectures classiques de CNN
- Transfer learning
- Applications sur cas pratiques
Réseaux de neurones récurrents – RNN
- Neurone récurrent
- Cellule récurrente
- LSTM
- Applications sur cas pratiques
Autoencoders – AE
- Architecture
- Applications sur cas pratiques
Introduction aux modèles GAN
Les différents packages R pour le Deep learning
En R, voici quelques-uns des packages les plus fréquemment utilisés pour le deep learning qui permettent la création, la formation et le déploiement de réseaux de neurones profonds pour une gamme de tâches d’apprentissage profond, notamment la vision par ordinateur, le traitement du langage naturel (NLP), la reconnaissance vocale, etc. :
Keras: Keras est une interface de haut niveau pour le deep learning qui fonctionne sur plusieurs frameworks de deep learning sous-jacents, y compris TensorFlow, Theano et CNTK. Le package “keras” en R permet de créer et de former des réseaux de neurones profonds pour la classification, la régression et d’autres tâches d’apprentissage profond.TensorFlow: TensorFlow est une bibliothèque open-source de deep learning développée par Google. Le package “tensorflow” en R permet d’utiliser TensorFlow pour construire, entraîner et déployer des modèles de deep learning. Il offre une grande flexibilité et des fonctionnalités avancées pour la création de réseaux de neurones profonds.MXNet: MXNet est un framework de deep learning rapide et évolutif qui prend en charge une large gamme de langages de programmation, dont R. Le package “mxnet” en R permet d’utiliser MXNet pour créer et former des réseaux de neurones profonds, en utilisant des fonctionnalités telles que le calcul distribué et la prise en charge de GPU.Caffe: Caffe est un framework de deep learning populaire, principalement utilisé pour la vision par ordinateur. Le package “caffe” en R permet d’utiliser Caffe pour entraîner et déployer des modèles de deep learning. Il offre des fonctionnalités avancées pour la création de réseaux de neurones convolutifs.deepnet: Le package “deepnet” en R est dédié à l’apprentissage profond et fournit des fonctionnalités pour la création et l’entraînement de réseaux de neurones profonds, y compris les réseaux de neurones convolutionnels et les réseaux de neurones récurrents.h2o: Le package “h2o” est un framework open-source de machine learning distribué qui prend en charge le deep learning. Il fournit des fonctionnalités pour la création et la formation de réseaux de neurones profonds, ainsi que d’autres algorithmes de machine learning. Il est particulièrement adapté pour le traitement de grands ensembles de données.
Les différents packages R pour le Deep learning
En R, voici quelques-uns des packages les plus fréquemment utilisés pour le deep learning qui permettent la création, la formation et le déploiement de réseaux de neurones profonds pour une gamme de tâches d’apprentissage profond, notamment la vision par ordinateur, le traitement du langage naturel (NLP), la reconnaissance vocale, etc. :
Keras: Keras est une interface de haut niveau pour le deep learning qui fonctionne sur plusieurs frameworks de deep learning sous-jacents, y compris TensorFlow, Theano et CNTK. Le package “keras” en R permet de créer et de former des réseaux de neurones profonds pour la classification, la régression et d’autres tâches d’apprentissage profond.TensorFlow: TensorFlow est une bibliothèque open-source de deep learning développée par Google. Le package “tensorflow” en R permet d’utiliser TensorFlow pour construire, entraîner et déployer des modèles de deep learning. Il offre une grande flexibilité et des fonctionnalités avancées pour la création de réseaux de neurones profonds.MXNet: MXNet est un framework de deep learning rapide et évolutif qui prend en charge une large gamme de langages de programmation, dont R. Le package “mxnet” en R permet d’utiliser MXNet pour créer et former des réseaux de neurones profonds, en utilisant des fonctionnalités telles que le calcul distribué et la prise en charge de GPU.Caffe: Caffe est un framework de deep learning populaire, principalement utilisé pour la vision par ordinateur. Le package “caffe” en R permet d’utiliser Caffe pour entraîner et déployer des modèles de deep learning. Il offre des fonctionnalités avancées pour la création de réseaux de neurones convolutifs.deepnet: Le package “deepnet” en R est dédié à l’apprentissage profond et fournit des fonctionnalités pour la création et l’entraînement de réseaux de neurones profonds, y compris les réseaux de neurones convolutionnels et les réseaux de neurones récurrents.h2o: Le package “h2o” est un framework open-source de machine learning distribué qui prend en charge le deep learning. Il fournit des fonctionnalités pour la création et la formation de réseaux de neurones profonds, ainsi que d’autres algorithmes de machine learning. Il est particulièrement adapté pour le traitement de grands ensembles de données.
