TensorFlow - Deep Learning
Formation créée le 20/05/2021. Dernière mise à jour le 25/07/2022.
Version du programme : 1
Programme de la formation
Objectif de formation : Maîtriser l'utilisation de Tensorflow pour des projets de Deep Learning
Objectifs de la formation
- 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
Profil des bénéficiaires
Pour qui
- Data analysts, data scientists, data engineers, développeurs, architectes Big Data, Lead Dev…
Prérequis
- Maîtriser les bases du langage Python
- Connaissance en mathématique
Contenu de la 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
Équipe pédagogique
Professionnel expert dans le Big Data
Suivi de l'exécution et évaluation des résultats
- Feuilles de présence.
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
- Émargement numérique
Ressources techniques et pédagogiques
- Documents supports de formation projetés.
- Exposés théoriques
- Etude de cas concrets
- Mise à disposition en ligne de documents supports à la suite de la formation.
- Espace intranet de formation
Qualité et satisfaction
Taux de satisfaction des stagiaires
Progression des compétences visées
Taux d'abandon
Taux de retour des enquêtes
Taux d'interruption en cours de prestation