SF33372
3 jours
Formation Deep Learning avec TensorFlow.
Suivez notre formation Deep Learning avec TensorFlow sur 3 jours pour maîtriser la puissance des réseaux de neurones!
Le Deep Learning est un des domaines informatiques les plus prometteurs de l'ère du Big Data et de la Data Science. Le concept de Deep Learning, ou d'apprentissage profond, repose sur les réseaux de neurones artificiels. A l'instar des réseaux de neurones qui forment notre cerveau, les réseaux de neurones artificiels ont pour but l'apprentissage machine. Dans la catégorie des outils de Deep Learning, TensorFlow est l'un des plus connus. Réservez dès maintenant votre formation TensorFlow pour maîtriser l'outil Deep Learning de Google. Cette formation Deep Learning est disponible en distanciel ou sur place.
Programme de formation Deep Learning avec TensorFlow.
PDFPrésentation de la formation Deep Learning
Tour d’horizon du Machine Learning
Principes fondamentaux
Du Machine Learning au Deep Learning
Le retour sous le feu des projecteurs du Deep Learning
Champs d’application de l’apprentissage profond
Utilisation du Deep Learning
Outils et bibliothèques Deep Learning: TensorFlow, Keras, Caffe, etc.
Notions mathématiques essentielles
Les vecteurs
Les matrices
Les hyperplans
Introduction à TensorFlow
Apprendre TensorFlow et son installation
Environnement TensorFlow
Présentation des tensors (tableaux multidimensionnels)
Hello World
Opérations élémentaires
Variables, placeholders
TensorBoard: Visualisation de graphes, de courbes
TensorFlow: Régression et classification
Les APIs: Estimators, Layers, Datasets…
Obtention d’ensembles de données, manipulation
Sauvegarde de modèles, restauration
Travaux pratiques possibles : Créer son modèle de régression avec TensorFlow, Visualiser des données avec TensorBoard
Les réseaux neuronaux artificiels (ANN)
Réseaux de neurones biologiques et artificiels, similarités
Perceptron mono, multicouche
Fonctionnement et architecture des neurones
Réglage de paramètres
Développement d’un réseau
Les fonctions d’activation des réseaux: Sigmoid, Tanh, ReLU
Modélisation d’un réseau selon le problème à résoudre
Travaux pratiques possibles : Construire son premier réseau neuronal multicouche et le classifier…
Optimisation d’un réseau neuronal, entraînement
Définition d’un rythme d’apprentissage
Fonctions de coût, descente de gradient et rétropropagation
Sélection de features
Data Augmentation
Régularisation pour le surapprentissage (arrêt délibéré, normes L1 et L2)
Batch normalization
Validation croisée et hyperparamètres
Optimisation des modèles, comparaisons
Transfer Learning : utilisation de couches pré-entraînées
Travaux pratiques possibles : Entraînement d’un réseau neuronal profond, test et optimisation
Les réseaux de neurones convolutifs (CNN)
Fonctionnement du CNN, utilisation
Filtres, couches de convolution et de pooling
Architecture d’un CNN
Travaux pratiques possibles : Implémenter un réseau convolutif pour reconnaître l’écriture manuscrite de manière automatique. (A l’aide de la base de données MNIST de chiffres manuscrits)
Réseaux de neurones récurrents (RNN)
La disparition du gradient, les effets
RNN: Architecture
Cellule Long Short-Term Memory (LSTM)
Cellule GRU, version simplifiée de la cellule LSTM
Natural Language Processing
Réseaux de neurones récursifs
Travaux pratiques possibles : Implémenter un réseau neuronal récurrent pour traiter le langage naturel automatiquement.
Autoencoders
Apprentissage non-supervisé
Deep Belief Networks
Réduction de dimension à l’aide d’autoencoders
Types d’autoencoders
Travaux pratiques possibles : Utilisation d’un autoencoder pour la réduction de dimension
Reinforcement learning (apprentissage par renforcement)
Principes, utilisation
Optimiser les récompenses
Présentation d’OpenAI Gym
Configurer OpenAI Gym
Le problème du credit-assignment
Processus de décision markoviens
Apprentissage par différence temporelle
Apprentissage Q
Notions avancées
Exécution sur CPUs, GPUs ou cluster
TensorServing: outil de mise en production
Visualisation avancée
Les limites
Implémenter le Deep Learning avec TensorFlow sur une application d’entreprise
Ressources additionnelles
Nos autres formations en Intelligence Artificielle (IA) et Data Science .
Formation Analyse statistique et modélisation
Formation Analyste de données Microsoft Power BI (PL-300)
Formation Big Data, Data Science et Machine Learning : concepts et enjeux pour l’entreprise
Formation ChatGPT : les bases du prompt engineering
Formation Conception et implémentation d’une solution Microsoft Azure AI (AI-102)
Formation Data Science et Machine Learning avec R
A travers sa Charte Engagement Qualité, Sparks s’engage à tout mettre en œuvre pour que chaque session de formation soit un succès et que votre satisfaction soit totale.
En apprendre davantage sur Deep Learning avec TensorFlow.
Le deep learning, ou l’apprentissage profond en français est une méthode d’apprentissage automatique d’Intelligence Artificielle. Cette méthode essaye de simuler la manière d’apprendre d’un cerveau humain pour la machine.
En effet, le deep learning, ou encore le deep structured learning ou le hierarchical learning utilise le principe des réseaux de neurones artificiels et de l’analyse discriminante pour apprendre de chaque itération à l’aide d’algorithmes et donc de s’auto-améliorer.
Cette formation deep learning va donc s’attacher à l’apprentissage machine pour grandement améliorer vos IA.
Le deep learning, l’apprentissage profond, à de nombreuses applications. La première vient directement du phénomène du Big Data. Ce terme désigne la quantité exponentiellement croissante de données disponibles concernant le comportement des consommateurs. Le deep learning a notamment pour but de permettre aux machines de pouvoir lire toutes ces données sans qu’elles soient catégorisées. Ainsi, en donnant un ensemble de données non traitées à une solution de deep learning, la machine va pouvoir elle-même catégoriser toutes ces données puis en sortir des résultats catégorisés.
Notre formation Tensorflow pour le deep learning répond à cette demande. En effet, TensorFlow est une solution open-source développée par Google de deep learning. De manière plus élargie, cette formation Deep Learning avec Tensorflow s’attaque au machine learning, la branche généralisée de l’apprentissage automatique des machines. A l’aide de cette formation, vous serez amené à apprendre TensorFlow pour analyser et traiter toutes ces données.
Au cours de cette formation TensorFlow, vous apprendrez à installer et configurer le logiciel. Vous serez formés aux réseaux neuronaux artificiels (ANN), ainsi qu’aux réseaux de neurones convolutifs (CNN) et récurrents (RNN). Vous apprendrez également au cours de cette formation Deep Learning à optimiser vos réseaux de neurones ainsi qu’à utiliser Autoencoders ou encore Restricted Boltzmann Machine. Enfin, vous pratiquerez également le reinforcement learning.
Réservez dès maintenant votre formation Deep Learning TensorFlow pour accéder à la puissance du Deep Learning et de l’apprentissage machine. Cette formation est réalisable à distance ou en présentiel.
