Dans vos locaux
Pour ancrer les apprentissages et encourager la dynamique collective.
Formation Apprentissage profond : réseaux de neurones
Concevez et entraînez des réseaux de neurones profonds, diagnostiquez leurs défaillances et optimisez leur apprentissage sur accélérateur matériel.
Architectures de réseaux profonds, rétropropagation, régularisation par dropout et batch normalization, apprentissage par transfert et optimisation de l'entraînement sur GPU.
import torch.nn as nn
class MLP(nn.Module):
def __init__(self):
super().__init__()
self.net = nn.Sequential(
nn.Linear(784, 256), nn.ReLU(), nn.Dropout(0.3),
nn.Linear(256, 10)
)
def forward(self, x):
return self.net(x)Description
Cette formation approfondit la conception et l'entraînement des réseaux de neurones profonds : choix d'une architecture adaptée au type de données (convolutions, récurrence, attention), rétropropagation, fonctions d'activation et d'initialisation, régularisation par dropout et batch normalization, et apprentissage par transfert à partir de modèles pré-entraînés. Une part importante du programme est consacrée au diagnostic des entraînements qui échouent — gradients qui explosent ou s'annulent, surapprentissage, instabilité — et à l'optimisation de l'entraînement sur accélérateur matériel avec PyTorch. Elle s'adresse aux data scientists, ingénieurs IA et développeurs confirmés qui conçoivent ou entraînent des modèles profonds en production.
Les objectifs
concevoir une architecture de réseau adaptée à un type de données
entraîner un réseau profond et diagnostiquer les problèmes d'apprentissage
mettre en œuvre la régularisation et l'apprentissage par transfert
optimiser l'entraînement sur accélérateur matériel
Public visé
Data scientists, ingénieurs IA, développeurs confirmés, ingénieurs de recherche.
Prérequis
Pratique de Python et connaissance de l'apprentissage automatique supervisé.
Le programme
Jour 1
Matinée
1. Fondations et premiers réseaux
- Neurone, couche, fonction d'activation, propagation avant
- Rétropropagation et calcul automatique du gradient
- Fonctions de coût selon le type de tâche
- Prise en main d'un cadre d'apprentissage profond
- Construction et entraînement d'un premier réseau complet
- Travaux pratiques : implémentation et entraînement d'un réseau dense sur un jeu de données tabulaire
Après-midi
2. Optimisation de l'entraînement
- Optimiseurs et leurs hyperparamètres
- Taux d'apprentissage : recherche, planification, échauffement
- Taille des lots et effets sur la convergence et la mémoire
- Initialisation des poids et stabilité de l'entraînement
- Diagnostic : gradient qui explose, gradient qui s'annule, plateau
- Travaux pratiques : diagnostic et correction de plusieurs entraînements défaillants
Jour 2
Matinée
3. Régularisation et généralisation
- Abandon de neurones, pénalisation des poids, arrêt anticipé
- Normalisation par lots et alternatives
- Augmentation des données et invariances
- Validation et détection du sur-apprentissage
- Effet de la taille du jeu de données sur les architectures profondes
- Travaux pratiques : mise en œuvre comparée des techniques de régularisation et mesure des effets
Après-midi
4. Réseaux convolutifs et vision
- Convolution, filtres, champ réceptif, sous-échantillonnage
- Architectures de référence pour la vision
- Classification, détection et segmentation : différences d'approche
- Apprentissage par transfert et affinage sur un jeu réduit
- Prétraitement et augmentation des images
- Travaux pratiques : entraînement d'un modèle de vision par transfert sur un jeu métier
Jour 3
Matinée
5. Séquences et attention
- Traitement des séquences : récurrence et ses limites
- Mécanisme d'attention et architecture à base de transformeurs
- Représentations de tokens et plongements appris
- Apprentissage auto-supervisé et pré-entraînement
- Adaptation d'un modèle pré-entraîné à une tâche spécifique
- Travaux pratiques : affinage d'un modèle de langage pré-entraîné sur une tâche de classification
Après-midi
6. Entraînement à l'échelle
- Utilisation des accélérateurs matériels et gestion de la mémoire
- Précision mixte et effets sur la stabilité
- Entraînement distribué : parallélisme de données et de modèle
- Points de reprise et reprise après interruption
- Coût énergétique et empreinte d'un entraînement
- Travaux pratiques : entraînement en précision mixte et mesure des gains obtenus
Jour 4
Matinée
7. Évaluation et robustesse
- Protocole d'évaluation et jeux de test représentatifs
- Calibration des probabilités prédites
- Robustesse aux perturbations et aux données hors distribution
- Interprétation des prédictions d'un réseau profond
- Documentation des limites du modèle
- Travaux pratiques : évaluation de la robustesse d'un modèle entraîné
Après-midi
8. Déploiement et projet
- Export du modèle et formats d'échange
- Optimisation de l'inférence et réduction de la latence
- Service du modèle et intégration applicative
- Supervision en production et détection de dérive
- Réalisation d'un projet complet de bout en bout
- Travaux pratiques : finalisation et présentation du projet fil rouge
Dernière mise à jour : 18 septembre 2026
En présentiel ou à distance : à vous de choisir
En classe virtuelle
Pour allier flexibilité et interactions en temps réel avec le formateur.
Dans nos locaux
Pour favoriser la concentration, les échanges et le confort des apprenants.
Les modalités de formation
Suivi et évaluation :
- Recueil des besoins en amont pour identifier les attentes du stagiaire
- Évaluation continue : études de cas et travaux pratiques pendant la formation
- Évaluation finale : questionnaire d'auto-évaluation
Format et encadrement :
- Formation équilibrée alliant théorie et pratique (minimum 50%)
- Sessions en petits groupes (2 à 9 participants) pour un suivi personnalisé
- Émargement par demi-journée et remise d'une attestation de formation
Moyens pédagogiques et techniques :
- Méthodes interactives et suivi des acquis : travaux pratiques, projet fil rouge, mises en situation, démonstrations, QCM…
- Les stagiaires doivent être équipés de leur matériel informatique pour suivre la formation, que ce soit dans nos locaux ou sur site externe.
- Les prérequis techniques seront communiqués aux apprenants en amont de la formation, lors de l'analyse des besoins, en fonction des spécificités de chaque client.
- Accessibilité: nous informons l'ensemble de nos clients et stagiaires que nous sommes dans la capacité d'adapter les sessions en cas de situations spécifiques. Nous nous engageons à répondre à toutes les demandes dans un délai de 48h ouvré.
Conditions et délais d'accès :
- Si l'une de nos formations vous intéresse, contactez-nous au +33 04 93 65 34 24 ou à l'adresse mail contact@le-code.dev. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d'adapter la formation et ses modules, puis nous vous adresserons un devis. Les dates de la formation seront à convenir sous 30 jours maximum.
- Concernant les formations Actions Collectives, l'inscription est possible jusqu'à 24h ouvrées avant le début de la formation.