Formation Formation Deep Learning : Apprenez les Fondamentaux et Applications Pratiques

Introduction au Deep Learning et Réseaux de Neurones

• —Définition et historique du Deep Learning
• —Distinction entre Machine Learning et Deep Learning
• —Structure du neurone et réseaux de neurones artificiels
• —Architecture Feedforward : Perceptron et Multi-Layer Perceptron (MLP)
• —Rôle des fonctions d'activation (ReLU, Sigmoid, Tanh)

Fondamentaux Mathématiques et Logiciels Essentiels

• —Rappels d'algèbre linéaire (vecteurs, matrices, produits)
• —Calcul différentiel (dérivées partielles, gradient)
• —Introduction à NumPy pour les opérations matricielles
• —Présentation de TensorFlow et Keras
• —Mise en place de l'environnement de développement

Entraînement des Réseaux de Neurones

• —Concepts de perte (loss function) et d'optimisation
• —Descente de gradient et Backpropagation
• —Algorithmes d'optimisation (SGD, Adam, RMSprop)
• —Taux d'apprentissage et dynamique d'entraînement
• —Sur-apprentissage et sous-apprentissage

Préparation des Données et Évaluation des Modèles

• —Collecte et prétraitement des données (normalisation, standardisation)
• —Division des données : entraînement, validation, test
• —Métriques d'évaluation (précision, rappel, F1-score)
• —Courbes d'apprentissage et détection de problèmes
• —Validation croisée pour une meilleure robustesse

Réseaux de Neurones Convolutifs (CNN) - Partie 1

• —Introduction à la vision par ordinateur et aux images
• —Principe des couches de convolution et de pooling
• —Filtres et cartes de caractéristiques
• —Architectures simples de CNN (LeNet-5, AlexNet)
• —Opérations mathématiques derrière la convolution

Réseaux de Neurones Convolutifs (CNN) - Partie 2

• —Techniques d'augmentation de données pour les images
• —Transfer Learning et Fine-tuning de modèles pré-entraînés
• —Architectures avancées de CNN (VGG, ResNet, Inception)
• —Visualisation des activations de CNN
• —Applications pratiques de la classification d'images

Réseaux de Neurones Récurrents (RNN) - Partie 1

• —Introduction au traitement du langage naturel (NLP)
• —Problématique des séquences et de la mémoire courte des MLP
• —Architecture et fonctionnement des RNN de base
• —Le problème du gradient évanouissant/explosif
• —Embeddings de mots (Word2Vec, GloVe)

Réseaux de Neurones Récurrents (RNN) - Partie 2

• —Solutions aux problèmes des RNN : LSTM et GRU
• —Architectures Seq2Seq pour la traduction automatique
• —Mécanismes d'attention dans les RNN
• —Applications de NLP : analyse de sentiment, génération de texte
• —Prédiction de séries temporelles avec RNN

Autoencodeurs et Réseaux Antagonistes Génératifs (GAN)

• —Principes des autoencodeurs pour la réduction de dimensionnalité
• —Autoencodeurs variationnels (VAE) pour la génération
• —Introduction aux GAN : Générateur et Discriminateur
• —Entraînement des GAN et modes de défaillance
• —Applications des GAN : génération d'images, stylisation

Bonnes Pratiques, Débogage et Hyperparamètres

• —Stratégies de régularisation (Dropout, L1/L2)
• —Normalisation par lots (Batch Normalization)
• —Techniques de débogage et d'optimisation de code DL
• —Stratégies d'ajustement des hyperparamètres
• —Utilisation de TensorBoard pour la visualisation des entraînements

Déploiement et Cas d'Usage Avancés

• —Sauvegarde et chargement de modèles entraînés
• —Conversion de modèles pour le déploiement (TensorFlow Lite, ONNX)
• —Introduction aux plateformes cloud pour le DL (Google Cloud AI Platform, AWS SageMaker)
• —Deep Learning sur les données tabulaires
• —Apprentissage par renforcement : concepts de base

Éthique, Biais et Tendances Futures du Deep Learning

• —Comprendre et atténuer les biais dans les données et les modèles
• —Explicabilité et interprétabilité des modèles (XAI)
• —Enjeux éthiques et sociaux du Deep Learning
• —Tendances actuelles : fondation models, MLOps, edge AI
• —Synthèse et prochains pas pour l'apprentissage continu
• —--

OPCO

Formations financées via votre opérateur de compétences

FAF

Aide à la formation pour les indépendants

France Travail

Des aides pour les demandeurs d'emploi

Employeur

Votre entreprise peut financer votre formation

FNE-Formation

Un soutien pour les entreprises en transformation

- Connaissances de base en Python (syntaxe, structures de données, fonctions) - Notions de base en machine learning (apprentissage supervisé/non supervisé) - Fondamentaux en algèbre linéaire et calcul différentiel (dérivées, gradients)

- Ordinateur personnel (Windows, macOS ou Linux) - Connexion internet stable - Editeur de code (VS Code, Jupyter Notebook ou similaire) - Installation préalable de Python (version 3.8+) et pip

5 tests d'évaluation sont proposés à l'apprenant en fin de formation pour connaître son niveau sur chaque compétences visées.

Plateforme et contenus e-learning à disposition. Test de positionnement Quizz & Evaluations

Nous vous recevons lors d’un rendez-vous d’information préalable gratuit et confidentiel en visioconférence pour analyser vos besoins et co-construire votre parcours personnalisé. Chaque demande s’accompagne de la remise d’une convention ou d’un contrat précisant l’ensemble des informations relatives à la formation (Tarifs, calendrier, durée, lieu…). Ce contrat/convention sera transmis électroniquement par email.

A partir de l’accord de prise en charge par le financeur sollicité, le bénéficiaire peut démarrer sous un délai de 11 jours ouvrés. Si vous financez votre parcours de formation par vos propres moyens, alors le délai d'accès est immédiat. Vous pouvez entrer en formation tout au long de l’année.

♿️ Nous accueillons les personnes en situation de handicap. Les conditions d’accessibilité aux personnes handicapées sont inscrites sur le site imi-education.fr, rubrique Accessibilité.

Saskia Cazettes Pour tout renseignement : 07 80 91 06 14 / saskia.c@imi-executive-solutions.com

23 mars 2026

La formation alterne apports théoriques, mises en situation pratiques et échanges entre participants. Chaque concept est directement appliqué via des exercices concrets et des cas réels.

Oui, chaque participant reçoit un support de cours complet (format numérique et/ou papier) qu'il peut conserver à l'issue de la formation.

Certaines de nos formations sont éligibles au Compte Personnel de Formation (CPF). Consultez la fiche formation ou contactez-nous pour vérifier l'éligibilité.

Plusieurs dispositifs de financement existent : CPF, OPCO, plan de développement des compétences, financement individuel. Notre équipe peut vous accompagner dans vos démarches.

Oui, notre équipe reste disponible pour toute question post-formation. Vous bénéficiez également d'un accès à nos ressources en ligne pendant 6 mois après votre parcours.

Nous utilisons TensorFlow et Keras pour l'entraînement des réseaux de neurones, ainsi que Python pour la prétraitement et l'évaluation des données.

Nous abordons les techniques de prétraitement des données, telles que la normalisation, la réduction de dimensionnalité et la sélection de caractéristiques. Nous également abordons les méthodes d'évaluation des performances des modèles, telles que la précision, la sensibilité et la spécificité.

Oui, vous obtiendrez un certificat de fin de formation après avoir complété les évaluations finales et avoir satisfait aux critères d'évaluation.

Notre organisme de formation s'engage à accueillir et accompagner les personnes en situation de handicap. Notre référente handicap, Mme Lorène Travaux est disponible pour étudier avec vous les adaptations pédagogiques, techniques ou logistiques nécessaires avant toute inscription. Contactez-nous à hello@imi-executive-solutions.com ou au 06 72 09 69 52.