Formateur vision par ordinateur et deep learning à Marrakech

Parcours

Le formateur mène des travaux doctoraux en intelligence artificielle et imagerie. Sa pratique couvre la classification d’images avec EfficientNetB3, le transfert d’apprentissage, l’adaptation de domaine entre images de laboratoire et images de terrain, ainsi que la détection d’objets avec YOLOv11.

Cette formation s’adresse aux équipes techniques souhaitant comprendre les étapes concrètes d’un projet de vision : préparation et augmentation des données, choix du modèle, lecture des métriques, analyse des erreurs et gestion de l’incertitude des prédictions. L’intervenant s’appuie sur une expérience de classification ayant atteint 95,54 % d’exactitude et un F1 macro de 0,956, ainsi que sur un cas d’adaptation de domaine sur des images réelles.

Le déroulé relie les notions à un cas fil rouge : exploration d’un jeu d’images, préparation des données, entraînement d’un modèle, évaluation, interprétation des résultats et démonstration d’inférence via une API. Les exercices reposent sur de vrais jeux de données d’images et peuvent être adaptés au niveau du groupe.

Approche pédagogique

1. 1Cadrage du niveau technique et des objectifs du groupe
2. 2Découverte guidée d’un jeu de données d’images réel
3. 3Mise en pratique progressive avec notebooks Python
4. 4Analyse collective des métriques et des erreurs du modèle
5. 5Exercices d’entraînement, d’évaluation et d’inférence
6. 6Synthèse des bonnes pratiques pour poursuivre le projet

Publics accompagnés

• Développeurs Python
• Data scientists débutants en vision
• Équipes R&D
• Étudiants en intelligence artificielle

Secteurs d’intervention

Ses 4 formations