SC23Deep learning pour le traitement d’images par la pratique
Nouvelle formationNiveau : Avancé
Publics :
Ingénieur·es d'entreprises et d'administrations désirant maîtriser l'analyse et la conception de réseaux de neurones pour le traitement d’images
Pré-requis :
Avoir un minimum de connaissances de base en physique et mathématiques (bac +2 à 3) et en traitement d'images
Langue de la formation : Français
Capacité maximum : 12
Prix : 1480 € HT -
Durée : 3 jours - 21 h
Objectifs
A l’issue de la formation les stagiaires seront capables de construire leurs propres réseaux de neurones pour leurs applications en traitement d’images
Voir les sessions
Thèmes abordés
Classification
Segmentation d’images
Apprentissage machine
Le programme
Bases du machine learning (1 journée)
- Types d’apprentissage (supervisé, non supervisé, par renforcement)
- Tâches d’apprentissage (régression, classification)
- Test et validation d’un algorithme d’apprentissage (notions de crossvalidation, batch, epoch, overfitting)
- Grandes familles d’algorithmes (SVM, arbres de décision, Random Forest, réseaux de neurones)
- Illustration sous Python
Bases du deep learning (1 journée)
- Principales architectures de réseaux de neurones (convolutif, récurrent, autoencodeurs).
- Optimisation d’une architecture (transfer learning, data augmentation)
- Initiation à Tensor FLow
- Travaux pratiques sur la base d’images pour la reconnaissance de caractères MNIST
TP (1 journée)
- Mise en application des principes étudiés sur des exemples d’imagerie computationnelle
Méthodologie et évaluation
Cours
Travaux pratiques sur machine
Quizz, QCM ou TD en fin de formation
Responsable(s) pédagogique(s) :
- David Rousseau - Professeur des Universités, Université d'Angers
Toutes les formations :
