1

Les fondamentaux du Deep Learning

• Deep Learning avec Keras : optimisation et régression linéaire, Dense Layer, problème de regréssion, hyper paramètres.
• Réseau de neurones convolutifs avec Keras : Convolution, Pooling, neurones convolutifs, dropout, Transfer learning.

2

TensorFlow et application

• Introduction à TensorFlow : opérations et graphe, régression, lien Keras, datasets, modèles, callbacks, TensorBoard.
• Application autour de la détection de visages : détection d'objet, points d'intérêts, algorithme Yolo, biais.

3

Deep Learning pour les séries temporelles

• Prétraitement et feature engineering : variables temporelles et angulaires, transformée de Fourier, cross correlation.
• Régression séries temporelles : Multi layer perceptron, CNN, RNN, autoregression et extrapolation, prédictions.
• Classification séries temporelles : Human activity recoginition, classification de vidéos, ConvLSTM.

4

Introduction à PyTorch

• Introduction à PyTorch : constants, variables, opérations, datasets, lien TensorFlow, Transfer learning, RNN.

5

Transfer Learning

• Transfer learning avec TensorFlow : concept, modèles, freezing,Resnet, TensorFlow Hub, interprétabilité des modèles.

6

Auto encodeur et représentation vectorielle

• Auto encodeur et représentation vectorielle : détection d'anomalies, paramètres, débruitage, IsoMap, clustering.
• Image embedding dans la reconnaissance faciale : classification, auto encodeur et représentation vectorielle, méthodes.

7

Segmentation sémantique

• Introduction à la Segmentation avec TensorFlow : méthodes Otsu et Kmeans, FCN, Unet, PSPNet, DeepLab, augmentation.
• Application sur les systèmes d’océrisation : état de l'art des OCR, DocTR et Tesseract, Mask RCNN.

8

Détection d'objet

• Détection d’objet en Deep Learning avec TensorFlow : modèles, algorithme YoloV2 et V3, RCNN, Fast RCNN, API TensorFlow.
• Données 3D en Computer Vision : données de véhicule autonome, transformation 3D/2D, modèle de détection, exemple Tesla.

9

Génération d'image

• Similitude de style et de contenu : coût de contenu, transfert de Style, interpolation, super résolution, colorisation.
• Modèle de diffusion : concept, image inpainting, latent space.
• Generative Adversarial Network (GAN) : modèle GAN, DCGAN, cGAN, PathGAN avec Pix2pix.
• Image Inpainting : problématique de flow completion, image et vidéo inpainting, implémentation d'un modèle.

10

Text Mining

• Les fondamentaux du text mining : prétraitement, expressions régulières, indicateurs visuels, BoW ou TF-IDF, modèles.
• Text summarization - Approche extractive : approche pour le résumé de texte, importance d'un mot, métrique ROUGE.
• Les fondamentaux du text mining : problématique de POS Tagging, Champs aléatoires conditionnels, modèles grammaticaux.

11

Word Embedding

• Les fondamentaux du word embedding : données de textes, word2vec sur Keras, Gensim, traduction vers anglais.
• Text Similarity : package Spacy, Jaccard, clustering, Smooth inverse Frequency, Latent Dirichlet Allocation, VAE, LSTM.

12

Transformers

• Les fondamentaux des Transformers : notion d'attention, codage de position, décodeur sur TensorFlow, traduction, BERT.
• Hugging Face : datasets et evalute, modèles, Transfer Learning, entrainement de modèles, méthode GradCAM.

13

Large Language Model (LLM)

• Introduction aux LLM : modèle générative, Top k, évaluation, Fine Tuning et RLHF, espace, modèle Mistral et OpenAI.
• Application des LLMs : Prompt Engineering, RAG avec LangChain, embedding avec SentenceTransformers.