TensorFlow – Deep Learning

Installation

Google Collab

Tenseurs et opérations

Les variables

Travaux pratiques: présentation de divers cas d’usage (importation d’image, Huber Loss…)

TensorFlow 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

L’API de prétraitement TensorFlow: utilité, les colonnes (numériques, catégorielles), l’utilisation comme layer

Neurones biologiques vs neurones artificiels

Les calculs logiques avec des neurones

Le perceptron

Le multi layer perceptron et la rétropropagation

MLP de régression

MLP de classification

L’implémentation des MLP: sauvegarder et restaurer un modèle, utiliser des callbacks

La réutilisation de modèles entrainés

Optimiseurs plus rapides

Travaux pratiques: créer optimiser un classificateur d’image, d’une régression et des modèles complexes avec l’API Séquentielle

La vision par ordinateur

L’architecture du cortex visuel

Les couches: de convolutions, de Pooling

Les types d’architectures de réseaux de neurones conventionnels

Data augmentation

Travaux pratiques: intégrer un CNN sur TensorFlow, utiliser un modèle entrainé pour du transfer learning, classifier et localiser des objets

Traiter des données séquentielles avec des RNN et des CNN: les neuronnes récurrents, les layers récurrentes, l’entrainement d’un RNN, prédiction d’une série temporelle

Le NLP & le RNN: la préparation de données textuelles, séparation du dataset en plusieurs fenêtres, classification de texte

Representation Learning & Generative learning avec des Autoencoders et des GAN: créer un PCA avec une partie d’AutoEncodeur, établir un Stacked Autoencoders avec TensorFlow