DATA-301 Data science et MLOps

Deep learning : CNN, RNN/LSTM, transfer learning

Lire des documents scannés, classer des images de contrôle qualité, modéliser des séquences longues : là où les modèles classiques plafonnent, les réseaux de neurones prennent le relais. En deux jours, l’ingénieur entraîne trois architectures sur GPU, réutilise un modèle pré-entraîné, et sait dire quand le deep learning n’apporte rien.

Objectifs

Entraîner un réseau de neurones dense sur des données tabulaires et le comparer à un modèle de gradient boosting pour décider, chiffres à l’appui, lequel garder.
Construire et entraîner un réseau convolutif pour classer des images ou des documents scannés, avec augmentation des données et suivi des courbes d’apprentissage.
Modéliser une séquence (texte ou série temporelle) avec un réseau récurrent ou LSTM et le comparer à un modèle classique.
Appliquer le transfer learning à partir d’un modèle pré-entraîné pour atteindre une performance cible avec un petit jeu de données.
Documenter un entraînement de façon reproductible : données, prétraitements, hyperparamètres, courbes, résultats, limites.

Public

Ingénieurs et data scientists ayant suivi DATA-201 ou pratiquant déjà le machine learning ; ingénieurs R&D ; équipes techniques en charge de traitements d’images ou de documents.

Prérequis

Avoir suivi DATA-201 ou maîtriser l’entraînement et l’évaluation d’un modèle supervisé en Python avec scikit-learn. Vérifié par un test de positionnement. Un ordinateur portable par participant ; environnement GPU en ligne avec PyTorch et TensorFlow préinstallés, fourni par Yolea, crédits inclus, sans installation locale ; en distanciel, connexion stable de 10 Mbit/s minimum, micro et caméra. Jeux de données de formation fournis (documents scannés, images de pièces, séries d’exploitation) ; jeu de données du participant accepté s’il est anonymisé.

Programme

Conception et entraînement de réseaux de neurones
Vision par ordinateur appliquée aux documents
Modélisation de séquences
Réutilisation de modèles pré-entraînés
Reproductibilité et documentation

Format

Intra ou inter-entreprises. 14 heures, 2 jours consécutifs de 7 h ; en distanciel, 4 séquences de 3 h 30 sur deux semaines. Enchaînable après DATA-201. Présentiel, distanciel synchrone ou hybride ; 8 à 12 participants. 30 % d’apports, 70 % d’ateliers en notebooks sur GPU : trois architectures entraînées en séance, une par demi-journée, puis le transfer learning le dernier après-midi ; règle de la comparaison obligatoire avec un modèle classique.

Évaluation

En amont, test de positionnement. En cours, quiz de contrôle et challenge de mise en situation (atteindre une performance cible sur un jeu d’images imposé, avec un rapport d’entraînement évalué sur grille). En fin, évaluation à chaud et attestation nominative de fin de formation. À trois semaines, point de suivi.