TensorFlow – Deep Learning

0 Enrolled
28 heures
  • 28 heures
  • 26
  • 0
  • no
2,700.00€

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

Objectifs pédagogiques

  • 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…

Programme de formation

  • Installation & utilisation de TensorFlow

    • Installation

    • Google Collab

    • Tenseurs et opérations

    • Les variables

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

  • Les API de TensorFlow

    • 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

  • Keras, réseaux neuronaux & MLP

    • 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

  • Le Vanishing Gradient

    • 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

  • CNN

    • 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

  • RNN

    • 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

  • Autoencoders

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

Instructeur

Avatar de l’utilisateur

bprigent

0.0
0 commentaire
0 Students
491 Courses
Main Content