TensorFlow - Deep Learning

Formation créée le 20/05/2021. Dernière mise à jour le 25/07/2022.
Version du programme : 1

Type de formation

Formation à distance

Durée de formation

28 heures (4 jours)

TensorFlow - Deep Learning


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