Rappels / Introduction au Deep Learning Principes de base du Deep Learning :
. Réseaux de neurones profonds.
. Types de réseaux de neurones : CNN, MLP
. Introduction aux frameworks populaires (TensorFlow, PyTorch).

Révision des concepts essentiels :
. Fonction de perte et rétropropagation.
. Optimisation (SGD, Adam, etc.).

1 - Federated Learning et Sécurité

Introduction au Federated Learning
. Définition et principes du Federated Learning (FL).
. Avantages du Federated Learning par rapport à l'approche centralisée.
. Architecture d'un système de Federated Learning : clients, serveurs, et communications.

Algorithmes de Federated Learning
. FedAvg (Federated Averaging).
. Approches d'optimisation pour FL (Federated SGD).
. Cas pratique : mise en œuvre d’un modèle simple en FL (MNIST par exemple).

Sécurité dans Federated Learning
. Problèmes de sécurité en FL
. Techniques pour sécuriser FL : Ajout de bruit, cryptographie homomorphe

2 - Introduction aux Autoencodeurs

Introduction aux Autoencodeurs
. Structure de l'autoencodeur : encodeur, espace latent, décodeur.
. Application classique : réduction de dimensions, détection d'anomalies.
. Types d'autoencodeurs : Denoising Autoencoders, Variational Autoencoders (VAE).

Applications avancées des Autoencodeurs
. Autoencodeurs pour la génération de données.
. Applications en traitement d'image (reconstruction d'images, super-résolution).
. Compression de données avec des autoencodeurs.

3 – Introduction aux GANs

. Structure des GANs : générateur et discriminateur.
. Fonctionnement : entraînement adversarial.
. Applications des GANs : génération d'images réalistes, génération de texte, modélisation de données.

4 – Modèle d'apprentissage pour la reconnaissance d'images :

. Modèles par utilisation de base de données de référence
. Modèles par l'utilisation d'architectures siamoises

5 – Réseaux de neurones et données textuelles

. Représentation par OneHot Encoding
. Représentation par embedding (compression par apprentissage d'un réseau de neurone)