Support & Downloads

Quisque actraqum nunc no dolor sit ametaugue dolor. Lorem ipsum dolor sit amet, consyect etur adipiscing elit.

s f

Contact Info
198 West 21th Street, Suite 721
New York, NY 10010
youremail@yourdomain.com
+88 (0) 101 0000 000
Follow Us

TensorFlow - Deep Learning

réf : BDT-TF

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 

Pré-requis

Maîtriser les bases du langage Python

Connaissance en mathématique

Public concerné

Data analysts, data scientists, data engineers, développeurs, architectes Big Data, Lead Dev…

Programme

  • 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

Équipe pédagogique

Professionnel expert dans le Big Data

Moyens pédagogiques et techniques

  • Espace intranet de formation.
  • Documents supports de formation projetés.
  • Exposés théoriques
  • Étude de cas concrets
  • Mise à disposition en ligne de documents supports à la suite de la formation.

Dispositif de suivi

  • Émargement numérique.
  • Mises en situation.
  • Formulaires d’évaluation de la formation.
  • Certificat de réalisation de l’action de formation.

Vous avez une question ?