Description
Formation complète d’approfondissement, présentant les dernières avancées scientifiques et orientée cas d’usages, animée par des experts de haut niveau de l’INRIA et de l’ENS de Lyon.
Tarif adhérent : 1950€ / participant (net de taxes)
Intra-entreprise : Sur devis
Objectifs de la formation
- Comprendre et appliquer les principes fondamentaux des méthodes récentes en IA générative et en particulier les architectures (transformers), les algorithmes (diffusion/flow matching), la prévision des séries temporelles, l’apprentissage par renforcement et l’utilisation pratique (fine-tuning).
Profil des béneficiaires
Pour qui
- Profils techniques tels que data scientists, ingénieurs ML, analystes de données, ingénieurs en robotique ou optimisation
- Secteurs d’activité : Technologies, édition de logiciels et médias (traitement du langage naturel (NLP), vision par ordinateur, génération d’images ou de texte (IA générative) et augmentation de données) ; Finance (prévision de séries temporelles, analyse de tendances et gestion de risques) ; Supply chain et logistique (optimisation des flux, gestion des stocks et prévision de la demande) ; Énergie (prévision de la consommation ou de la production énergétique) ; Robotique et systèmes autonomes (contrôle, navigation et apprentissage par interaction via le reinforcement learning)
Prérequis
- Connaissance des techniques élémentaires en machine learning
- Bonne maîtrise du langage python
Contenu de la formation
-
Module 1 — Méthodes génératives avancées – 4 heures
- Rappels sur les modèles probabilistes et espaces latents
- GAN avancés (DCGAN, StyleGAN, stabilité de l’entraînement)
- Variational Autoencoders (VAE, ELBO, variantes)
- Modèles de diffusion (principes, génération d’images)
- Modèles génératifs pour le texte (autoregressive, sampling)
- Cas d’usage : génération d’images, texte, data augmentatio
-
Module 2 — Architectures de réseaux de neurones & Transformers – 4 heures
- Architectures avancées : CNN (ResNet), RNN, LSTM, GRU
- Limites des architectures séquentielles classiques
- Mécanisme d’attention (self-attention, multi-head)
- Architecture Transformer (encoder, decoder)
- Modèles modernes (BERT, GPT)
- Fine-tuning et transfer learning
- Cas d’usage : NLP, vision, multimodal
-
Module 3 — Prévision des séries temporelles – 4 heures
- Fondamentaux : stationnarité, saisonnalité, autocorrélation
- Préparation des données temporelles et découpage (train/test)
- Modèles statistiques (ARIMA, SARIMA, Prophet)
- Approches machine learning (feature engineering, boosting)
- Deep learning pour séries temporelles (LSTM, Transformers)
- Évaluation (backtesting, métriques)
- Cas d’usage : finance, supply chain, énergie
-
Module 4 — Apprentissage par renforcement – 4 heures
- Introduction : agent, environnement, récompense
- Processus de décision de Markov (MDP)
- Méthodes tabulaires (Q-learning, SARSA)
- Deep Reinforcement Learning (DQN)
- Policy Gradient et Actor-Critic
- Exploration vs exploitation
- Cas d’usage : jeux, robotique, optimisation
Équipe pédagogique
-
Responsable
Mathurin Massias
Chercheur INRIA, Laboratoire de l’Informatique du Parallélisme, ENS de Lyon
Suivi de l’exécution et évaluation des résultats
- Attestation de formation
Ressources techniques et pédagogiques
- Exposés théoriques
- Études de cas
- Exercices d’application
Accessibilité
- Des aménagements peuvent être étudiés afin d’adapter les modalités pédagogiques et les conditions de formation aux besoins spécifiques de chacun.