Cette formation courte et pratique aide les participants à adapter et à optimiser des modèles d’apprentissage profond en vue d’une utilisation concrète. Les participants commencent par découvrir comment l’apprentissage par transfert accélère le développement des modèles lorsque les données sont limitées. Grâce à des exercices guidés, ils affinent un modèle pré-entraîné, ajustent les stratégies de « freezing » et de « unfreezing », et résolvent les problèmes courants liés à l’entraînement. La formation aborde ensuite l’évaluation des configurations de modèles en vue de leur déploiement, en mettant l’accent sur la précision, la latence, l’empreinte mémoire et l’efficacité. Les apprenants expérimentent des méthodes d’optimisation telles que le réglage des hyperparamètres et la quantification, comparent plusieurs configurations de modèles et formulent des recommandations fondées sur des données concrètes pour les environnements de production. À l’issue de cette formation, les apprenants sont en mesure de trouver le juste équilibre entre précision et contraintes de performance afin de choisir le modèle le mieux adapté à leurs besoins.