• Conception d’un graphe & exécution au sein d’une session
• Cycle de vie de la valeur d’un nœud
• Manipulation des matrices
• Régression linéaire
• Descente de gradient
• Fourniture des données à l’algorithme d’entraînement
• Enregistrement et restauration des modèles
• Visualisation du graphe & courbes d’apprentissage

Travaux pratiques

Cas concrets de ML en classification & régression

• Entrainement d’un PMC avec une API TensorFlow de haut niveau
• Entrainement d’un PMC à l’aide de TensorFlow
• Configuration précise des hyperparamètres d’un réseau de neurones

• Difficultés de disparition & d’explosion des gradients
• Réutilisation des couches pré-entraînées
• Optimiseurs plus rapides
• Sur-ajustement grâce à la régularisation
• Recommandations pratiques

Travaux pratiques

Implémentation d’un réseau de neurones à la manière du framework TensorFlow

• Architecture du cortex visuel
• Couche de convolution
• Couche de pooling
• Architectures de CNN

Travaux pratiques

Implémentation des CNN en utilisant des jeux de données variés

• Régression logistique
• Perceptron
• Réseaux de neurones convolutifs

Travaux pratiques :

Implémentation de Keras en utilisant des jeux de données variés

• Neurones récurrents
• RNR de base avec TensorFlow
• Entrainement des RNR
• RNR profonds
• Cellule LSTM
• Cellule GRU
• Traitement automatique du langage naturel

Travaux pratiques 

Implémentation des RNN en utilisant des jeux de données variés

• Représentations efficaces des données
• ACP avec un autoencodeur linéaire sous-complet
• Autoencodeurs empilés
• Pré-entraînement non supervisé.
• Autoencodeurs débruiteurs.
• Autoencodeurs épars
• Autoencodeurs variationnels
• Autres autoencodeurs

Travaux pratiques :

Implémentation d’autoencodeurs en utilisant des jeux de données variés