Cette formation a été conçue pour initier au Deep Learning, en deux jours, des chercheurs, ingénieurs d'études et développeurs. Elle s'adresse à des personnes n'ayant pas de connaissance préalable du domaine.

La formation est en langue française.

Cette formation a été initialement créée par Météo-France pour ses salariés, mais elle est parfaitement adaptée à d'autres domaines d'application que la météorologie. Les supports de cours et les codes sources des travaux pratiques sont partagés en open-source dans ce dépôt.

Pré-requis

    Connaissances de base en programmation, idéalement en python
    Mathématiques, niveau premier cycle universitaire

Programme de la formation

La formation alterne cours et travaux pratiques. Elle est prévue pour être suivie dans l'ordre suivant :

  •     Cours 00 - Programme de la formation
  •     Cours 01 - Introduction au Machine Learning - Vidéo : https://riv.yt/2/9OhTBItdw18
  •     Cours TP 01 - Python pour Data Scientists
  •     TP 01 - Python pour Data Scientists
  •     TP 02 - Reconnaissance de chiffres manuscrits (modèles linéaires, random forest...)
  •     Cours 02 - Introduction au Deep Learning
  •     Cours 03 - La librairie Keras
  •     TP 03 - Réseaux convolutionnels : reconnaissance de chiffres manuscrits avec Keras
  •     Cours TP 04 - Visualisation et Transfer Learning
  •     TP 04 - Transfer Learning : classification d'images
  •     Cours 04 - Architecture de réseaux convolutionnels
  •     Cours TP 05 - Segmentation par pixels avec Unet
  •     TP 05 - Segmentation par pixels avec Unet
  •     Cours 05 - Réseaux récurrents

La DSI et de la DSM ont accueilli au printemps 2018 trois stages de fin d'études ingénieurs en Deep Learning appliqué à la météo. Pour ceux qui ne savent pas ce que c'est, le Deep Learning, c'est de l'apprentissage machine basé sur des réseaux de neurones profonds.

Les stagiaires ont présentés leurs travaux en fin de stage, au CIC, le 28 août 2018. Vous trouverez ici les enregistrements de ces conférences.

Programme :
  • Détection de neige au sol dans des images de webcams (Simon Moisselin)
  • Prévision immédiate de nébulosité (Kenza Turki)
  • Prévision immédiate radar (Simon Moisselin)
  • Détection de mésocyclones dans les images radar (Rafaël Horvat)
  • Correction de données de température des stations connectées Netatmo (Simon Moisselin)
  • Prévisions de plafond nuageux par adaptation des sorties de modèle (Simon Moisselin)
Pour les néophytes, c'est l'occasion de découvrir la discipline du Deep Learning.
Pour les confirmés, ce sera l'occasion de dire au-revoir à nos stagiaires et d'admirer leurs résultats.