[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-apprentissage-profond-reseaux-de-neurones":3,"highlight-python-import torch.nn as n":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/bc8a8220-b343-11f1-a993-d8ca06000363","Apprentissage profond : réseaux de neurones","apprentissage-profond-reseaux-de-neurones",null,"Data scientists, ingénieurs IA, développeurs confirmés, ingénieurs de recherche.","-   Pratique de Python et connaissance de l'apprentissage automatique supervisé.","-   concevoir une architecture de réseau adaptée à un type de données\n-   entraîner un réseau profond et diagnostiquer les problèmes d'apprentissage\n-   mettre en œuvre la régularisation et l'apprentissage par transfert\n-   optimiser l'entraînement sur accélérateur matériel","--day1--\n\n## Fondations et premiers réseaux\n\n-   Neurone, couche, fonction d'activation, propagation avant\n-   Rétropropagation et calcul automatique du gradient\n-   Fonctions de coût selon le type de tâche\n-   Prise en main d'un cadre d'apprentissage profond\n-   Construction et entraînement d'un premier réseau complet\n-   Travaux pratiques : implémentation et entraînement d'un réseau dense sur un jeu de données tabulaire\n\n--break--\n\n## Optimisation de l'entraînement\n\n-   Optimiseurs et leurs hyperparamètres\n-   Taux d'apprentissage : recherche, planification, échauffement\n-   Taille des lots et effets sur la convergence et la mémoire\n-   Initialisation des poids et stabilité de l'entraînement\n-   Diagnostic : gradient qui explose, gradient qui s'annule, plateau\n-   Travaux pratiques : diagnostic et correction de plusieurs entraînements défaillants\n\n--day2--\n\n## Régularisation et généralisation\n\n-   Abandon de neurones, pénalisation des poids, arrêt anticipé\n-   Normalisation par lots et alternatives\n-   Augmentation des données et invariances\n-   Validation et détection du sur-apprentissage\n-   Effet de la taille du jeu de données sur les architectures profondes\n-   Travaux pratiques : mise en œuvre comparée des techniques de régularisation et mesure des effets\n\n--break--\n\n## Réseaux convolutifs et vision\n\n-   Convolution, filtres, champ réceptif, sous-échantillonnage\n-   Architectures de référence pour la vision\n-   Classification, détection et segmentation : différences d'approche\n-   Apprentissage par transfert et affinage sur un jeu réduit\n-   Prétraitement et augmentation des images\n-   Travaux pratiques : entraînement d'un modèle de vision par transfert sur un jeu métier\n\n--day3--\n\n## Séquences et attention\n\n-   Traitement des séquences : récurrence et ses limites\n-   Mécanisme d'attention et architecture à base de transformeurs\n-   Représentations de tokens et plongements appris\n-   Apprentissage auto-supervisé et pré-entraînement\n-   Adaptation d'un modèle pré-entraîné à une tâche spécifique\n-   Travaux pratiques : affinage d'un modèle de langage pré-entraîné sur une tâche de classification\n\n--break--\n\n## Entraînement à l'échelle\n\n-   Utilisation des accélérateurs matériels et gestion de la mémoire\n-   Précision mixte et effets sur la stabilité\n-   Entraînement distribué : parallélisme de données et de modèle\n-   Points de reprise et reprise après interruption\n-   Coût énergétique et empreinte d'un entraînement\n-   Travaux pratiques : entraînement en précision mixte et mesure des gains obtenus\n\n--day4--\n\n## Évaluation et robustesse\n\n-   Protocole d'évaluation et jeux de test représentatifs\n-   Calibration des probabilités prédites\n-   Robustesse aux perturbations et aux données hors distribution\n-   Interprétation des prédictions d'un réseau profond\n-   Documentation des limites du modèle\n-   Travaux pratiques : évaluation de la robustesse d'un modèle entraîné\n\n--break--\n\n## Déploiement et projet\n\n-   Export du modèle et formats d'échange\n-   Optimisation de l'inférence et réduction de la latence\n-   Service du modèle et intégration applicative\n-   Supervision en production et détection de dérive\n-   Réalisation d'un projet complet de bout en bout\n-   Travaux pratiques : finalisation et présentation du projet fil rouge","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. 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.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","28.00","L2-EXP-03","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","3160.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Architectures de réseaux profonds, rétropropagation, régularisation par dropout et batch normalization, apprentissage par transfert et optimisation de l'entraînement sur GPU.","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.","#5B21B6","mdi:brain","python","import torch.nn as nn\n\nclass MLP(nn.Module):\n    def __init__(self):\n        super().__init__()\n        self.net = nn.Sequential(\n            nn.Linear(784, 256), nn.ReLU(), nn.Dropout(0.3),\n            nn.Linear(256, 10)\n        )\n\n    def forward(self, x):\n        return self.net(x)","Formation experte en réseaux de neurones profonds : architectures, régularisation, apprentissage par transfert et diagnostic des entraînements qui échouent.","Concevez et entraînez des réseaux de neurones profonds, diagnostiquez leurs défaillances et optimisez leur apprentissage sur accélérateur matériel.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">\u003Cspan class=\"hljs-keyword\">import\u003C/span> torch.nn \u003Cspan class=\"hljs-keyword\">as\u003C/span> nn\n\n\u003Cspan class=\"hljs-keyword\">class\u003C/span> \u003Cspan class=\"hljs-title class_\">MLP\u003C/span>(nn.Module):\n    \u003Cspan class=\"hljs-keyword\">def\u003C/span> \u003Cspan class=\"hljs-title function_\">__init__\u003C/span>(\u003Cspan class=\"hljs-params\">self\u003C/span>):\n        \u003Cspan class=\"hljs-built_in\">super\u003C/span>().__init__()\n        \u003Cspan class=\"hljs-variable language_\">self\u003C/span>.net = nn.Sequential(\n            nn.Linear(\u003Cspan class=\"hljs-number\">784\u003C/span>, \u003Cspan class=\"hljs-number\">256\u003C/span>), nn.ReLU(), nn.Dropout(\u003Cspan class=\"hljs-number\">0.3\u003C/span>),\n            nn.Linear(\u003Cspan class=\"hljs-number\">256\u003C/span>, \u003Cspan class=\"hljs-number\">10\u003C/span>)\n        )\n\n    \u003Cspan class=\"hljs-keyword\">def\u003C/span> \u003Cspan class=\"hljs-title function_\">forward\u003C/span>(\u003Cspan class=\"hljs-params\">self, x\u003C/span>):\n        \u003Cspan class=\"hljs-keyword\">return\u003C/span> \u003Cspan class=\"hljs-variable language_\">self\u003C/span>.net(x)\u003C/code>\u003C/pre>",1789740844602]