Accueil Formations Apprentissage machine et image

Apprentissage machine et image

Intéressé.e par la formation ?
Contactez-nous

Description

Cette formation présente les réseaux de neurones profonds conçus pour l’image et la vision par ordinateur : des réseaux convolutifs (CNN) jusqu’aux Transformers et aux modèles génératifs. Elle montre quelle architecture choisir pour quel problème et comment la mettre en œuvre.

  • Un tour d’horizon des architectures pour l’image et les données 3D : CNN, U-Net, YOLO, Transformers, auto-encodeurs, GAN, PointNet, modèles de diffusion ;
  • Une approche par problème : classification, segmentation, détection et suivi d’objets, reconstruction 3D, traitements 3D, génération d’images ;
  • Une large place à la pratique : travaux pratiques sur machine, en Python avec PyTorch ;
  • Une formation adossée à la recherche, animée par des enseignants-chercheurs.

Tarif : Sur devis

Intra-entreprise : Sur devis

Objectifs de la formation

À l’issue de la formation, les participants seront en mesure de :

  • Expliquer le fonctionnement d’un réseau convolutif adapté aux images ;
  • Identifier les grandes familles de problèmes de vision et les architectures qui y répondent ;
  • Mettre en œuvre avec PyTorch un réseau pour classer, segmenter ou générer des images ou forme 3D ;
  • Réutiliser des modèles pré-entraînés et les adapter (transfert d’apprentissage) ;
  • Comprendre le principe de l’attention et des Transformers appliqués à des données image et 3D ;
  • Comprendre les principes des modèles génératifs (auto-encodeurs, GAN, diffusion) et en mettre un en œuvre.

Profil des béneficiaires

Pour qui

Ingénieurs, développeurs, data scientists et personnels de R&D qui veulent utiliser l’apprentissage profond pour analyser ou générer des images, des vidéos et des données 3D (maillages, nuage de points, etc.).

Prérequis

  • Bonne pratique de la programmation en Python ;
  • Notions de base en algèbre linéaire (vecteurs, matrices) ;
  • Une première connaissance des réseaux de neurones ou de l’apprentissage automatique est souhaitée (un rappel peut être fait en début de formation) ;
  • Une première connaissance de NumPy est un plus.

Contenu de la formation

  • Le programme est adaptable en fonction des besoins.

Équipe pédagogique

  • Alexandre MEYER

    Enseignant Chercheur, Université Lyon 1

Suivi de l’exécution et évaluation des résultats
  • Attestation remise à l’issue de la formation, incluant les compétences acquises.

Ressources techniques et pédagogiques

  • Pédagogie active : Alternance de cours théoriques et d’ateliers pratiques.
  • Slides, scripts Python, jeux de données réels.
Accessibilité
  • Des aménagements peuvent être étudiés afin d’adapter les modalités pédagogiques et les conditions de formation aux besoins spécifiques de chacun.