Deep Learning — TensorFlow et PyTorch (CNN, RNN, Transformers)

Maîtrisez le **Deep Learning moderne** de bout en bout : réseaux denses, CNN, RNN/LSTM, attention, Transformers, modèles génératifs (GAN, diffusion) et production (ONNX, TensorRT). Ce cours expert prépare à la **TensorFlow Developer Certificate** (Google), à la **Deep Learning Specialization** de DeepLearning.AI (Andrew Ng), et au **DP-100 Microsoft Azure Data Scientist Associate** (volet deep learning). Ce cours s'adresse aux data scientists, ML engineers, chercheurs et développeurs Python avec des bases en machine learning supervisé (régression, classification) et en algèbre linéaire (vecteurs, produits matriciels). Le cours **Machine Learning expert** ITAG (scikit-learn + XGBoost) est un prérequis recommandé. Une carte GPU NVIDIA (locale ou Google Colab Pro / Kaggle Notebooks) facilite les TP, sans être indispensable. Au terme du parcours, vous saurez construire et entraîner des **réseaux denses** avec backpropagation, optimiseurs modernes (Adam, AdamW, RMSprop) et schedulers (CosineAnnealing, OneCycleLR) ; concevoir des **CNN** (ResNet, EfficientNet, ViT) avec transfer learning et data augmentation ; modéliser des séries et du texte avec **RNN, LSTM, GRU, attention et Transformers** (BERT, T5) ; générer des images et textes avec **GAN, autoencodeurs, modèles de diffusion** (Stable Diffusion) ; et déployer en production via **ONNX, TensorRT, quantization INT8, distillation, ONNX Runtime**. L'examen blanc compte 25 questions de mi-parcours et l'examen final 50 questions, format QCM, seuil 70 %, alignés sur le format de la **TensorFlow Developer Certificate** (5 modèles à entraîner et exporter en .h5, 5 h max, 100 USD). Les questions s'appuient sur la documentation officielle tensorflow.org, pytorch.org, le papier fondateur Attention is All You Need (Vaswani 2017, arXiv:1706.03762), et la Deep Learning Specialization de Coursera (DeepLearning.AI). La durée estimée est de **80 heures** (4 800 minutes), réparties sur 10 à 12 semaines à raison de 7 h par semaine. Le format combine théorie (35 %), code pratique TensorFlow/Keras et PyTorch (50 %) et mini-projets (15 %, fine-tuning BERT, transfer learning CNN, génération d'images). Chaque leçon contient des snippets exécutables, des tableaux comparant TF vs PyTorch et les principales architectures. Sources principales : tensorflow.org, pytorch.org, Coursera DLAI Specialization (Andrew Ng), papier Vaswani 2017, Hugging Face Course, "Deep Learning with Python" (François Chollet, 2e éd. 2021).