Formation Comprendre les réseaux de neurones profonds

Partie 1 – Concepts d'apprentissage profond et de DNN

Introduction à l'IA, à l'apprentissage automatique et à l'apprentissage profond

• Histoire, concepts de base et applications courantes de l'intelligence artificielle, au-delà des fantasmes portés par ce domaine
• Intelligence collective : agréger des connaissances partagées par de nombreux agents virtuels
• Algorithmes génétiques : faire évoluer une population d'agents virtuels par sélection
• Machine Learning habituel : définition.
• Types de tâches : apprentissage supervisé, apprentissage non supervisé, apprentissage par renforcement
• Types d'actions : classification, régression, clustering, estimation de densité, réduction de dimensionnalité
• Exemples d'algorithmes d'apprentissage automatique : régression linéaire, Naive Bayes, Random Tree
• Machine learning vs Deep Learning : les problèmes sur lesquels le Machine Learning reste aujourd'hui l'état de l'art (Random Forests & XGBoosts)

Concepts de base d'un réseau de neurones (Application : perceptron multicouche)

• Rappel des bases mathématiques.
• Définition d'un réseau de neurones : architecture classique, activation et
• Pondération des activations antérieures, profondeur d'un réseau
• Définition de l'apprentissage d'un réseau de neurones : fonctions de coût, rétropropagation, descente de gradient stochastique, maximum de vraisemblance.
• Modélisation d'un réseau de neurones : modélisation des données d'entrée et de sortie selon le type de problème (régression, classification...). Malédiction de la dimensionnalité.
• Distinction entre données multivariées et signaux. Choix d'une fonction de coût selon les données.
• Approximation d'une fonction par un réseau de neurones : présentation et exemples
• Approximation d'une distribution par un réseau de neurones : présentation et exemples
• Augmentation de données : comment équilibrer un jeu de données
• Généralisation des résultats d'un réseau de neurones.
• Initialisation et régularisation d'un réseau de neurones : régularisation L1 / L2, normalisation par lots (Batch Normalization)
• Algorithmes d'optimisation et de convergence

Outils standards ML / DL

Une présentation simple avec les avantages, les inconvénients, la position dans l'écosystème et l'usage est prévue.

• Outils de gestion de données : Apache Spark, outils Apache Hadoop
• Machine Learning : Numpy, Scipy, Sci-kit
• Frameworks DL de haut niveau : PyTorch, Keras, Lasagne
• Frameworks DL bas niveau : Theano, Torch, Caffe, TensorFlow

Réseaux de neurones convolutifs (CNN).

• Présentation des CNN : principes fondamentaux et applications
• Fonctionnement de base d'un CNN : couche convolutive, utilisation d'un noyau,
• Padding & stride, génération de cartes de caractéristiques, couches de pooling. Extensions 1D, 2D et 3D.
• Présentation des différentes architectures CNN qui ont atteint l'état de l'art en classification
• Images : LeNet, réseaux VGG, Network in Network, Inception, Resnet. Présentation des innovations apportées par chaque architecture et leurs applications plus globales (Convolution 1x1 ou connexions résiduelles)
• Utilisation d'un modèle d'attention.
• Application à un cas de classification commun (texte ou image)
• CNN pour la génération : super-résolution, segmentation pixel-à-pixel. Présentation de
• Principales stratégies pour augmenter les cartes de caractéristiques pour la génération d'images.

Réseaux de neurones récurrents (RNN).

• Présentation des RNN : principes fondamentaux et applications.
• Fonctionnement de base du RNN : activation cachée, rétropropagation à travers le temps, version déroulée.
• Évolutions vers les unités récurrentes à portes (GRU) et LSTM (Long Short Term Memory).
• Présentation des différents états et des évolutions apportées par ces architectures
• Convergence et problèmes de gradient qui s'évanouit
• Architectures classiques : Prédiction d'une série temporelle, classification...
• Architecture de type RNN Encoder-Decoder. Utilisation d'un modèle d'attention.
• Applications NLP : encodage de mots / caractères, traduction.
• Applications vidéo : prédiction de la prochaine image générée d'une séquence vidéo.

Modèles génératifs : Variational AutoEncoder (VAE) et Generative Adversarial Networks (GAN).

• Présentation des modèles génératifs, lien avec les CNN
• Auto-encodeur : réduction de dimensionnalité et génération limitée
• Auto-encodeur variationnel : modèle génératif et approximation de la distribution d'une donnée définie. Définition et utilisation de l'espace latent. Astuce de réparamétrisation. Applications et limites observées
• Réseaux adverses génératifs : Fondamentaux.
• Architecture de réseau dual (Générateur et discriminateur) avec apprentissage alterné, fonctions de coût disponibles.
• Convergence d'un GAN et difficultés rencontrées.
• Amélioration de la convergence : Wasserstein GAN, Began. Distance de déplacement de terre (Earth Moving Distance).
• Applications pour la génération d'images ou de photographies, génération de texte, super-résolution.

Apprentissage profond par renforcement (Deep Reinforcement Learning).

• Présentation de l'apprentissage par renforcement : contrôle d'un agent dans un environnement défini
• Par un état et des actions possibles
• Utilisation d'un réseau de neurones pour approximer la fonction d'état
• Deep Q Learning : replay d'expérience, et application au contrôle d'un jeu vidéo.
• Optimisation de la politique d'apprentissage. On-policy && off-policy. Architecture Actor-critic. A3C.
• Applications : contrôle d'un seul jeu vidéo ou d'un système numérique.

Partie 2 – Theano pour l'apprentissage profond

Bases de Theano

• Introduction
• Installation et Configuration

Fonctions Theano

• entrées, sorties, mises à jour, givens

Entraînement et Optimisation d'un réseau de neurones à l'aide de Theano

• Modélisation du réseau de neurones
• Régression logistique
• Couches cachées
• Entraînement d'un réseau
• Calcul et Classification
• Optimisation
• Perte log (Log Loss)

Test du modèle

Partie 3 – DNN utilisant TensorFlow

Bases de TensorFlow

• Création, Initialisation, Sauvegarde et Restauration des variables TensorFlow
• Alimentation, Lecture et Préchargement des données TensorFlow
• Comment utiliser l'infrastructure TensorFlow pour entraîner des modèles à grande échelle
• Visualisation et Évaluation des modèles avec TensorBoard

Mécanique de TensorFlow

• Préparer les Données
• Téléchargement
• Entrées et Placeholders
• Construire les Graphes
  • Inférence
  • Perte (Loss)
  • Entraînement
• Entraîner le Modèle
  • Le Graphe
  • La Session
  • Boucle d'entraînement
• Évaluer le Modèle
  • Construire le Graphe d'évaluation
  • Sortie d'évaluation

Le Perceptron

• Fonctions d'activation
• Algorithme d'apprentissage du perceptron
• Classification binaire avec le perceptron
• Classification de documents avec le perceptron
• Limitations du perceptron

Du Perceptron aux Machines à Vecteurs de Support

• Noyaux et le noyau trick
• Classification à marge maximale et vecteurs de support

Réseaux de neurones artificiels

• Frontières de décision non linéaires
• Réseaux de neurones artificiels feedforward et feedback
• Perceptrons multicouches
• Minimisation de la fonction de coût
• Propagation avant
• Rétropropagation
• Amélioration de la façon dont les réseaux de neurones apprennent

Réseaux de neurones convolutifs

• Objectifs
• Architecture du modèle
• Principes
• Organisation du code
• Lancement et Entraînement du Modèle
• Évaluation d'un Modèle

Introductions de base à donner aux modules ci-dessous (Introduction brève à fournir en fonction du temps disponible) :

TensorFlow - Utilisation avancée

• Threads et Files
• TensorFlow Distribué
• Rédaction de documentation et Partage de votre Modèle
• Personnalisation des lecteurs de données
• Manipulation des fichiers de modèle TensorFlow

TensorFlow Serving

• Introduction
• Tutoriel de service basique
• Tutoriel de service avancé
• Tutoriel de service du modèle Inception