Deep Learning – Avancé

0 Enrolled
28 hour
  • 28 hour
  • 44
  • 0
  • no
2,800.00€

Aperçu du cours

Objectif de formation : Manipuler les outils de deep learning les plus courants pour créer et entrainer divers types de réseaux de neurones profonds sur différents types types de données

Programme d'études

  • Introduction

    • 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

  • Introduction aux réseaux de neurones artificiels

    • 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

  • Entraînement de réseaux de neurones profonds

    • 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

  • Réseaux de neurones convolutifs

    • 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.

  • Présentation de l'outil Keras : Deep Learning

    • Régression logistique

    • Perceptron

    • Réseaux de neurones convolutifs

    • Travaux pratiques : implémentation de Keras en utilisant des jeux de données variés

  • Réseaux de neurones récurrents

    • 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

  • Autoencodeurs

    • 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

Instructeur

Avatar de l’utilisateur

bprigent

0.0
0 commentaire
0 Students
453 Courses

Commentaire sur la formation

0.0
0 rating
0%
0%
0%
0%
0%

Soyez le premier à commenter “Deep Learning – Avancé”

Main Content