Le Deep Learning appliqué pour le traitement d’images

La pratique du Deep Learning appliqué au traitement d’images permet de trouver des solutions adaptées à des besoins spécifiques comme la détection de panneau routier, la détection de pièces défaillantes, la détection de maladies ou encore la détection d’anomalies sur des appareils électriques. En effet, l’apprentissage profond est fondé sur un réseau de neurones convolutifs (CNN) dont le principe est basé sur le cerveau humain. Un CNN est un système composé de plusieurs dizaines, parfois même des centaines de couches de neurones. Chacune d’entre elles collecte et traite les données de la couche précédente. Ainsi, le système peut apprendre de manière simple, à identifier des caractères, des mots, des figures, des visages, etc., et de les classifier. 

Dans ce programme de formation de niveau 2, vous acquerrez toutes les compétences nécessaires pour utiliser efficacement les méthodes d’apprentissage profond applicables à l’interprétation et l’analyse d’images. Vous commencerez par découvrir en détail dans quel domaine il peut être appliqué et vous poursuivrez avec un cours sur les réseaux de neurones convolutifs. Dans un deuxième temps, vous aborderez les méthodes génératives avec les auto-encodeurs et l’utilisation des GANs pour conclure avec les techniques d’apprentissage par réseaux profonds.

À la fin de cette formation de 3 jours, vous aurez une bonne compréhension du fonctionnement des modèles de Deep Learning et vous saurez comment les exploiter. De plus, vous serez en mesure de modifier les architectures de ces modèles pour répondre à des besoins spécifiques dans le domaine de l’imagerie.