2 jours (14 heures)
Formation certifiante - Code CNCP : 2234 - Certif Info : 93835
- Présentiel
- Blended - Learning
- FOAD / E-learning tutoré
Objectifs
- Comprendre le Deep Learning et les différents réseaux de neurones
- Maîtriser l’outil Tensorflow pour pour faire du Deep Learning avec Python
- Mener à bien un projet de mise en place d’algorithmes de Deep Learningavec Python
- Connaître les Différents types d’apprentissage automatique
- Implémenter un modèle de machine learning simple avec Tensor Flow
- Apprendre à améliorer les Performance des algorithmes d”apprentissage
Prérequis
- Maîtriser l’algorithmique
- Connaissances en mathématiques et statistiques
- Connaissances de Python
Vous n’avez pas les prérequis nécessaires pour la formation Deep Learning avec Python-TensorFlow ? Contactez nous pour étudier ensemble un parcours sur mesure et garantir ainsi la réussite de votre projet.
Intervenants
Les contenus pédagogiques sont synchronisés sur les évolutions techniques grâce à notre équipe d’intervenant experts et professionnels du secteur enseigné. Les formateurs qui interviennent pour animer les formations ont une double compétence : compétence informatique et compétence métier (Banque, Assurance, Administration, Santé, Transport).
PROGRAMME DE FORMATION DEEP LEARNING AVEC PYTHON TENSORFLOW
Jour 1
Initiation au deep learning
- Comprendre le succès du deep learning
- Appréhender le machine learning
- Suivre une expérience en data science
- Comprendre le perceptron
- Comprendre le réseau de neurones
- Concevoir un réseau de neurones
- Entraîner un réseau de neurones
- Suivre les itérations de l’algorithme de rétropropagation
- Découvrir le deep learning
- Aborder l’architecture des réseaux de neurones
- Installer Anaconda
- Installer TensorFlow 2
- Lien entre l’IA et le deep learning
- Initiation au deep learning
- Structure d’un modèle de deep learning
- Comprendre le fonctionnement d’un modèle de deep learning
- Deep learning avec python
- Atelier cas pratique
Composants de base de TensorFlow
- Prendre en main TensorFlow et les structures de données
- Pourquoi Tensorflow 2.0 ?
- Installation of Tensorflow 2.0
- Utiliser Tensorflow 2.0 avec ANACONDA/Google Colab
- Tensorflow – les structures de données
- Calculs de base sur les tenseurs
- Indexage – Indexation
- Manipulation de formes
- Introduction aux variables
- Introduction aux fonctions
- Atelier cas pratique
Mettre en œuvre Sequential API de TensorFlow.Keras
- Créer un réseau de neurones
- Créer un réseau de neurones de type MLP
- Accéder aux informations des couches d’un réseau de neurones
- Initialiser les poids et les biais d’un réseau de neurones
- Compiler et entraîner un réseau de neurones
- Comprendre les données de validation
- Traiter les données déséquilibrées
- Analyser les résultats
- Prédire avec un réseau de neurones multiclasse
- Charger les données pour une régression
- Réaliser un réseau de neurones pour une régression linéaire
- Découvrir le Deep learning avec tf.Keras
- Régression linéaire avec tf.keras
- Régression linéaire avec tf.keras
- Régression non linéaire avec tf.keras
- Un exercice simple de classification
- Reconnaissance de l’écriture manuscrite au moyen du MLP
- Reconnaissance de l’écriture manuscrite au moyen du MLP
- Stabiliser l’apprentissage d’un modèle avec tf.Keras
- Classification des images de vêtements
- Atelier cas pratique
Jour 2
Utiliser Functional API et Subclassing API
- Développer un modèle Functional API
- Développer un modèle Functional API avec plusieurs couches d’entrée
- Effectuer l’apprentissage d’un modèle Functional API avec plusieurs couches d’entrée
- Développer un modèle Functional API avec plusieurs couches de sortie
- Utiliser Subclassing API
Contrôler et monitorer un réseau de neurones
- Enregistrer un modèle
- Charger un modèle à partir d’un fichier
- Utiliser les callbacks prédéfinis lors de l’entraînement d’un réseau de neurones
- Configurer le critère d’arrêt de l’entraînement d’un réseau de neurones
- Visualiser les résultats avec TensorBoard
- Lancer le serveur TensorBoard
- Aborder les hyperparamètres d’un réseau de neurones
- Développer un programme pour fixer les hyperparamètres
- Utiliser GridSearchCV pour tester plusieurs paramètres
- Entraîner plusieurs réseaux de neurones avec GridSearchCV
- Gérer les hyperparamètres des réseaux de neurones
- Éviter le Sur-apprentissage
- La méthode “Early Stopping”
- Early Stopping dans Keras
- Stabiliser l’apprentissage d’un modèle
- Sauvegarder et réutiliser le modèle entraîné
- Atelier cas pratique
Aborder CNN et le transfer learning
- Comprendre les CNN
- Éviter le surapprentissage avec le dropout
- Entraîner avec un CNN
- Réutiliser un réseau de neurones
- Implémenter le transfer learning
- Prédire avec le transfer learning
- Conclure sur TensorFlow
- Réseau à convolution CNN
- Comprendre l’architecture d’un réseau à convolution
- A quoi sert la convolution ?
- Méthode de sous échantillonnage : le Max-Pooling
- Les étapes de base pour créer le modèle CNN
- Application de CNN sur le jeu de données MNIST
- Comprendre l’apprentissage d’un réseau de convolutio
- Atelier cas pratique
Une attestation d’assiduité sera délivrée après la validation de toutes les compétences de ce module.
POUR TOUTE DEMANDE DE RENSEIGNEMENT OU DE DEVIS