Aperçu du cours
Objectif de formation : Maîtriser l’utilisation de Tensorflow pour des projets de Deep Learning
Prérequis
- Maîtriser les bases du langage Python
- Connaissance en mathématique
Fonctionnalités
- Maîtriser TensorFlow et ses dernières versions
- Installer et utiliser TensorFlow
- Appréhender le Deep Learning par TensorFlow
- Manier des volumes importants de données
- Paramétrer son environnement pour supporter les modèles de Deep Learning
- Construire des pipelines de données
- Comprendre les usages des réseaux neuronaux et les appliquer
- Mettre en oeuvre l’entrainement du réseau neuronal
Public ciblé
- Data analysts, data scientists, data engineers, développeurs, architectes Big Data, Lead Dev…
Détails
- 14 Sections
- 52 Lessons
- 28 heures
Expand all sectionsCollapse all sections
- Installation & utilisation de TensorFlow5
- Installation & utilisation de TensorFlow5
- Les API de TensorFlow2
- 3.1TensorFlow Data API: concepts, l’enchainement de transformations, mélange de la donnée (Shuffle), entrelacement, construction d’un pipeline de lecture de CSV complet, les optimisations possibles
- 3.2L’API de prétraitement TensorFlow: utilité, les colonnes (numériques, catégorielles), l’utilisation comme layer
- Les API de TensorFlow2
- 4.1TensorFlow Data API: concepts, l’enchainement de transformations, mélange de la donnée (Shuffle), entrelacement, construction d’un pipeline de lecture de CSV complet, les optimisations possibles
- 4.2L’API de prétraitement TensorFlow: utilité, les colonnes (numériques, catégorielles), l’utilisation comme layer
- Keras, réseaux neuronaux & MLP7
- Keras, réseaux neuronaux & MLP7
- Le Vanishing Gradient3
- Le Vanishing Gradient3
- CNN6
- 9.1La vision par ordinateur
- 9.2L’architecture du cortex visuel
- 9.3Les couches: de convolutions, de Pooling
- 9.4Les types d’architectures de réseaux de neurones conventionnels
- 9.5Data augmentation
- 9.6Travaux pratiques: intégrer un CNN sur TensorFlow, utiliser un modèle entrainé pour du transfer learning, classifier et localiser des objets
- CNN6
- 10.1La vision par ordinateur
- 10.2L’architecture du cortex visuel
- 10.3Les couches: de convolutions, de Pooling
- 10.4Les types d’architectures de réseaux de neurones conventionnels
- 10.5Data augmentation
- 10.6Travaux pratiques: intégrer un CNN sur TensorFlow, utiliser un modèle entrainé pour du transfer learning, classifier et localiser des objets
- RNN2
- RNN2
- Autoencoders1
- Autoencoders1
Instructeur
