Accueil > Domaines de formation > INFORMATIQUE > Big data | IA | Data science

Formation comprendre le deep learning avec tensorflow

Réf. BD-015 |

3 J

21 H

En présentiel

Niveau de difficulté :

TARIF : 2010 € HT

Vous êtes demandeur d'emploi ?
Nous connaissons des modalités de financement pour vous.
> Contactez-nous

PROCHAINES SESSIONS :
> Du 27.05.2024 au 29.05.2024

Vous souhaitez organiser cette formation à une date spécifique ?
Vous ne trouvez pas de date de session sur les semaines à venir ?

> Contactez-nous

Télécharger
le programme

Partager
le programme

Demander
d'autres dates

Demander un devis personnalisé

Je m'inscris >>> Voir plus de détails

Objectifs de la formation :

Maitriser les concepts fondamentaux du Deep learning.
Utiliser un framework de référence : TensorFlow.
Mettre en œuvre les principaux algorithmes.
Déployer vos solutions en production.

Public :

Data Scientists, Machine Learning Engineers ou les développeurs ayant une appétence et une première expérience avec le Machine Learning;
Si vous êtes en situation de handicap, merci de nous contacter.

Prérequis :

La programmation Python, et l’usage d’un IDE sont un plus pour suivre cette formation Deep Learning.

Délai d'accès :

5 à 10 jours avant la formation.
Nous contacter

Description
du programme

01. Définir le Deep Learning

Relation entre Machine Learning et Deep Learning
Champs d’application et cas d’utilisation
Principes fondamentaux du Machine Learning
Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, Caffe, etc

02. Identifier TensorFlow

Installation de TensorFlow et son éco système, présentation des tensors (tableaux multidimensionnels), des variables et placeholders, présentation des graphes et sessions TensorFlow
Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets…
Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes d’apprentissage avec TensorBoard

03. Identifier et analyser les réseaux neuronaux artificiels ou ANN (Deep Learning)

Présentation du fonctionnement du perceptron à une couche et du perceptron multicouche, configuration et paramétrage d’un réseau de neurones
Approche logicielle du développement d’un réseau de neurones : activation, désactivation
Conception d’un réseau de neurones en fonction du problème à résoudre

04. Entrainer un réseau de neurones

Présentation des méthode d’apprentissage : fonction de coût, descente de gradient et rétro-propagation
Importance de la métrologie : choix des paramètres
Présentation de techniques de Data Augmentation et de l’écueil du sur apprentissage par régularisation
Réutilisation d’ANN, par transfer learning ou comment utiliser des couches pré entraînées

05. Gérer les réseaux de neurones convolutifs ou CNN

Présentation des principes de fonctionnement et définition de filtres convolutifs
Développement d’une couche de convolution, d’une couche de pooling
Approche logicielle du développement d’un réseau de neurones convolutifs

06. Utiliser les réseaux de neurones récurrents ou RNN

Présentation des principes de fonctionnement et importance de la disparition du gradient
Approche logicielle du développement d’un réseau de neurones récurrents
Présentation d’une Cellule Long Short-Term Memory (LSTM) et de sa version simplifiée la cellule GRU
Principes fondamentaux du NLP ou Natural Language Processing

07. Utiliser la Machine de Boltzmann restreinte ou RBM

Présentation de la machine de Boltzmann restreinte
Principes fondamentaux du Deep Belief Networks,
Métrologie et réduction des dimensions grâce aux autoencodeurs
Présentation de l’API autoencoder

08. Gérer l'apprentissage par renforcement (Deep Learning)

Principe de notation et d’optimisation par objectif
Présentation de la toolkit Gym pour la programmation par renforcement
Principe de la prise de décision par critère de Markov
Principes fondamentaux de l’apprentissage par différence (temporelle, etc)

09. Performer et mettre en production

Exécution sur CPUs, GPUs, TPUs ou cluster
Mise en production avec TensorServing

Méthodes
pédagogiques

Exposés alternant théorie et pratique, études de cas, correction travaux pratiques et ateliers. 1 support de cours par personne.

Ressources
pédagogiques

1 Formateur. 1 ordinateur par personne, un vidéoprojecteur par salle de cours, un tableau numérique. Connexion Internet très haut débit.

évaluation
et sanction de fin
de parcours

Évaluation formative par le formateur pendant le programme. Évaluation des acquis en fin de session. Attestation de fin de formation délivrée. Auto-évaluation des acquis de la formation par les stagiaires

Formation comprendre le deep learning avec tensorflow

Objectifs de la formation :

Public :

Prérequis :

Délai d'accès :

Description
du programme

Méthodes
pédagogiques

Ressources
pédagogiques

évaluation
et sanction de fin
de parcours

Vos avis
sur la
formation

Autres
formations
pouvant
vous
interesser
ou récemment
consultées...

Formation comprendre le deep learning avec tensorflow

Objectifs de la formation :

Public :

Prérequis :

Délai d'accès :

Description du programme

Méthodespédagogiques

Ressourcespédagogiques

évaluationet sanction de finde parcours

Vos avissur laformation

Autresformationspouvantvousinteresserou récemment consultées...

Description
du programme

Méthodes
pédagogiques

Ressources
pédagogiques

évaluation
et sanction de fin
de parcours

Vos avis
sur la
formation

Autres
formations
pouvant
vous
interesser
ou récemment
consultées...