Deep learning en pratique : réseaux de neurones, vision, Transformers et modèles génératifs avec PyTorch
Des réseaux de neurones aux Transformers et aux modèles de diffusion : le deep learning en pratique avec PyTorch.
7 350 € HT la session
La formation est dispensée au sein de votre entreprise et réunit vos seuls collaborateurs, dans le cadre d'une session dédiée.
2 350 € HT la session
Vos collaborateurs rejoignent une session à date fixe, aux côtés de participants venus d'autres entreprises.
Algorythme Formation (SAS) — SIRET 101 916 674 00019 — NDA 75331851633 — 422 Avenue de Verdun, 33700 Mérignac — 05 54 54 24 84 — contact@algorythme-formation.fr
Ce que vous saurez faire
- Construire et entraîner un réseau de neurones avec PyTorch
- Diagnostiquer et améliorer un entraînement : optimiseur, régularisation, taux d'apprentissage
- Concevoir un réseau convolutif et appliquer le transfer learning à un problème de vision
- Traiter des données séquentielles avec des réseaux récurrents et des Transformers
- Expliquer le fonctionnement des modèles génératifs : autoencodeurs, GAN, diffusion
- Mettre en œuvre un algorithme d'apprentissage par renforcement profond
- Exporter et déployer un modèle de deep learning derrière une API
Ce que ça change, concrètement
Exploiter des images
Aujourd'hui
Contrôles visuels et tri d'images se font à l'œil, faute de modèle adapté.
Après la formation
Un modèle préentraîné, affiné sur quelques centaines d'images maison, fait le premier tri.
Faire converger un entraînement
Aujourd'hui
Le réseau n'apprend pas, et on change les paramètres au hasard en espérant mieux.
Après la formation
Les courbes sont lues, le problème identifié et le bon réglage appliqué.
Sortir le modèle du notebook
Aujourd'hui
Le modèle fonctionne dans Jupyter, mais personne ne sait comment l'utiliser ailleurs.
Après la formation
Un modèle exporté en ONNX, servi par une API et versionné dans MLflow.
Le déroulé
JOUR 1 — Les réseaux de neurones, de zéro à l'entraînement 7 h
1 h Du machine learning au deep learning
- Pourquoi les réseaux profonds : données, puissance de calcul, représentations apprises
- Les grandes étapes, du perceptron aux modèles de fondation
- Environnement de travail : PyTorch, GPU, notebooks
- Test de positionnement en début de formation
2 h Le perceptron multicouche
- Neurones, couches, fonctions d'activation
- Propagation avant, fonction de perte, rétropropagation
- Tenseurs et différentiation automatique dans PyTorch
- Atelier : coder et entraîner un réseau de neurones sur des données tabulaires
2 h Bien entraîner un réseau
- Optimiseurs (SGD, momentum, Adam, AdamW) et planification du taux d'apprentissage
- Régularisation : dropout, weight decay, normalisation par lots, arrêt anticipé
- Initialisation, disparition et explosion des gradients
- Lire les courbes d'entraînement et les suivre avec TensorBoard
- Atelier : diagnostiquer et corriger un réseau qui n'apprend pas
2 h Les réseaux convolutifs
- Convolution, pas, remplissage, pooling, champ récepteur
- Architectures de référence : LeNet, VGG, ResNet, EfficientNet
- Augmentation de données
- Atelier : reconnaître des objets dans des images avec un CNN construit pas à pas
JOUR 2 — Vision, séquences et Transformers 7 h
2 h Transfer learning en vision
- Réutiliser un modèle préentraîné : extraction de caractéristiques, affinage
- Vision Transformers (ViT) et bibliothèques de modèles préentraînés (Hugging Face, timm)
- Détection d'objets et segmentation : panorama (YOLO, U-Net)
- Atelier : classer finement des images (défauts de fabrication, espèces) avec peu de données
1 h 30 Les réseaux récurrents
- Données séquentielles : texte, séries temporelles, signal
- RNN, LSTM, GRU, réseaux bidirectionnels
- L'architecture encodeur-décodeur et ses limites
- Atelier : prévoir une série temporelle avec un LSTM
2 h Attention et Transformers
- Le mécanisme d'attention : requêtes, clés, valeurs
- Attention multi-têtes, encodage de position, architecture complète
- Encodeurs (BERT), décodeurs (GPT), encodeur-décodeur (T5)
- Atelier : coder un bloc d'attention, puis affiner un modèle préentraîné pour classer des textes en français
1 h 30 Les modèles de fondation
- Lois d'échelle, préentraînement, alignement
- Modèles multimodaux texte et image
- Affiner un modèle ou l'utiliser tel quel : critères de choix
- Démonstration : un même modèle de fondation adapté à trois tâches
JOUR 3 — Modèles génératifs, renforcement et déploiement 7 h
1 h 30 Les autoencodeurs
- Encodeur, espace latent, décodeur
- Débruitage et détection d'anomalies
- Autoencodeurs variationnels (VAE) et astuce de reparamétrage
- Atelier : débruiter des images avec un autoencodeur
2 h GAN et modèles de diffusion
- GAN : générateur, discriminateur, instabilités d'entraînement ; DCGAN, StyleGAN
- Modèles de diffusion : bruiter, débruiter, guider par le texte
- Deepfakes : enjeux et détection
- Atelier : générer des images avec un DCGAN, puis avec un modèle de diffusion préentraîné
1 h 30 L'apprentissage par renforcement profond
- Agent, environnement, récompense ; processus de décision markovien
- Q-learning et DQN, gradient de politique, méthodes acteur-critique
- Le renforcement dans l'alignement des LLM (RLHF)
- Atelier : entraîner un agent DQN dans un environnement Gymnasium
2 h Déployer un modèle
- Exporter avec TorchScript ou ONNX ; quantifier pour alléger le modèle
- Servir le modèle derrière une API (FastAPI, TorchServe) ou l'embarquer (mobile, navigateur)
- Suivre les expériences et versionner les modèles avec MLflow
- Atelier : exporter le modèle de vision du jour 2 et l'exposer dans une API
- Test de positionnement en fin de formation
Programme de référence, adapté à votre cahier des charges
Le socle commun
- Les objectifs pédagogiques
- La durée et le découpage horaire
- Les prérequis
- Les modalités d'évaluation des acquis
Votre déclinaison
- Les travaux pratiques et les jeux de données
- L'environnement technique et les outils utilisés
- L'ordre et la pondération des séquences
- Les exemples tirés de vos projets
Le programme définitif est annexé à la convention de formation et constitue le seul document contractuel de référence.
Questions fréquentes
Nos collaborateurs n'ont pas tous le même niveau.
Un test de positionnement est adressé à chaque participant avant l'entrée en formation et le déroulé est ajusté aux niveaux réellement présents. Si l'écart est trop important pour une même session, nous vous le signalons avant l'établissement de la convention.
La formation peut-elle porter sur nos propres outils et projets ?
Oui. Les travaux pratiques portent sur votre environnement technique et sur des cas tirés de vos projets. Les objectifs et la durée, eux, restent ceux du programme de référence.
Cette formation est-elle finançable par notre OPCO ?
Oui, dans les conditions propres à votre branche. Algorythme Formation est certifié Qualiopi au titre de la catégorie d'action « Actions de formation ». Nous constituons les pièces du dossier avec vous.
La formation peut-elle se tenir à distance ?
Oui. Nos formations sont conduites dans vos locaux ou en classe virtuelle, avec partage d'écran et travaux pratiques encadrés. Le choix se fait au moment du cadrage, en fonction de la répartition de vos équipes.
Sous quel délai une session peut-elle démarrer ?
Comptez 5 jours ouvrés pour recevoir la proposition et le programme adaptés, puis 4 à 8 semaines avant l'entrée en formation. Un dossier OPCO demande 3 semaines supplémentaires au minimum.
Un de nos participants est en situation de handicap.
Signalez-le au moment du cadrage : les modalités, les supports et le rythme sont adaptés au cas par cas. Notre référent handicap, Mathieu Piron-Lafleur, étudie chaque situation avec vous (contact@algorythme-formation.fr).
Modalités et informations pratiques
- Public visé
-
- Data scientists et ingénieurs en machine learning
- Développeurs et ingénieurs qui veulent passer au deep learning
- Analystes et chercheurs qui travaillent sur l'image, le texte ou le signal
- Prérequis
-
- Programmer en Python et utiliser NumPy et pandas
- Maîtriser les bases du machine learning : entraînement, validation, surapprentissage (formation « Machine learning : les bases »)
- Avoir des notions de mathématiques : dérivées, calcul matriciel, probabilités
- Durée et organisation
- 21 heures, 3 jours, en présentiel, en distanciel ou les deux. De 2 à 12 participants, dans vos locaux ou en classe virtuelle.
- Évaluation et suivi
-
- À l'entrée : analyse du besoin, test de positionnement, auto-évaluation
- En cours : exercice validé à chaque séquence, point d'étape à mi-parcours
- En fin : mise en situation, auto-évaluation de sortie, certificat de réalisation
- À distance : satisfaction à chaud, questionnaire à froid à 90 jours, bilan au commanditaire
- Modalités et délais d'accès
-
Prise de contact, puis entretien d'analyse du besoin de 30 minutes.
Proposition et programme adaptés sous 5 jours ouvrés.
Entrée en formation sous 4 à 8 semaines après signature de la convention, et 3 semaines supplémentaires minimum en cas de dossier OPCO. - Tarif
-
-
Intra-entreprise
7 350 € HT la session
La formation est dispensée au sein de votre entreprise et réunit vos seuls collaborateurs, dans le cadre d'une session dédiée.
-
Inter-entreprises
2 350 € HT la session
Vos collaborateurs rejoignent une session à date fixe, aux côtés de participants venus d'autres entreprises.
Acompte de 50 % à la signature, solde à 30 jours. Frais de déplacement en sus hors Gironde. Action de formation finançable par votre OPCO.
-
- Accessibilité et handicap
-
Nos actions de formation sont ouvertes aux personnes en situation de
handicap, avec une adaptation au cas par cas des modalités, des supports
et du rythme.
Référent handicap : Mathieu Piron-Lafleur, contact@algorythme-formation.fr. - Contacts
-
Algorythme Formation,
05 54 54 24 84
contact@algorythme-formation.fr
Référent pédagogique : Alan Piron-Lafleur. Référent qualité : Mayana Elbaz.
Programme mis à jour le 24/09/2026.
Organiser cette formation dans votre entreprise
Trente minutes pour préciser votre besoin.
Demander une proposition