Le Deep Learning a récemment révolutionné le traitement du langage naturel : traduction, identification d’éléments, systèmes de dialogue, interprétation, etc

Moyens techniques

Support de cours projeté pendant la formation et transmis à l’ensemble des stagiaires à l’issue de la formation; cas et exemples pratiques choisis selon les domaines d’intérêt des stagiaires

Suivi de l’exécution

Emargement demandé chaque demie-journée à tous les stagiaires Évaluation : Questionnaire d’évaluation des acquis à l’issue de la formation

Appréciation des résultats

Questionnaire de satisfaction à l’issue de la formation

Objectifs pédagogiques

Cours théoriques mêlés d’exemples et d’études de cas. Cette formation vise à permettre la bonne compréhension et surtout l’implémentation de ces nouvelles techniques.

Technologies abordées

Sequence to sequence, conditional random fields, Long Short Term Memory (LSTM), Convolutional Neural Network (CNN), Memory Networks, QANet, Transformer, BERT, Variational Auto-Encoders (VAE), Generative Adversarial Networks (GAN), PyTorch, TensorFlow

Compétences visées

Spécificités du traitement du langage naturel

  • Architectures profondes dédiées, état de l’art
  • Visualisation, interprétation d’un modèle
  • Génération de texte