Formation Deep Learning avec TensorFlow
Public admis
- Salarié en Poste
- Demandeur d'emploi
- Entreprise
- Etudiant
Financements
Eligible CPF Votre OPCO Financement personnel
Objectifs de la formation
- Connaître l'historique de l'apprentissage learning et ses enjeux
- Pouvoir installer et configurer TensorFlow
- Gérer les Réseaux Neuronaux Artificiels et leur optimisation
- Maîtriser les Réseaux de Neurones Convolutifs (CNN) et Récurrents (RNN)
- Manier Autoencoders et Restricted Boltzmann Machine
- Connaître le Reinforcement Learning, savoir l'utiliser
- Exécuter le Deep Learning sur CPU et GPU, concepts avancés
| Tarif |
A partir de 2 250,00 € |
| Durée | 3 jours |
| Modes |
|
| Sessions | |
| Lieux | Partout en France |
| Tarif |
A partir de 2 250,00 € |
| Durée | 3 jours |
| Modes |
|
| Sessions | |
| Lieux | Partout en France |
Description
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
Présentation 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 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 et Restricted Boltzmann Machine
Apprentissage non-supervisé
La machine de Boltzmann restreinte (RBM)
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
Prérequis
Public
Ces formations pourraient vous intéresser
Intelligence artificielle (IA) : déployer le modèle d’apprentissage le plus adapté aux besoins de l’entreprise
Proposé par DEMOSObjectifs de la formation
- Avoir une vision claire et précise de l’intelligence artificielle (IA)
- Comprendre les principaux modèles d’apprentissage du machine learning (supervisé, non supervisé, par renforcement) et les principes du deep learning (réseaux de neurones)
- Déterminer le modèle d’apprentissage le plus adapté aux problématiques et aux besoins de l’entreprise
- Utiliser une plateforme de prototypage et de déploiement d’une solution IA sans écrire une ligne de code (no-coding)
| Tarif |
A partir de 1 690,00 € |
| Durée |
2j / 14h |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Opérer des solutions d'apprentissage automatique à l'échelle du Cloud à l'aide d'Azure Machine Learning
- Utiliser vos connaissances de Python et du Machine Learning pour gérer l'ingestion et la préparation des données, l'entraînement et le déploiement des modèles, et la supervision des solutions de Machine Learning avec Azure Machine Learning et MLflow.
| Tarif |
A partir de 3 040,00 € |
| Durée |
4j / 28h |
| Modes |
|
Objectifs de la formation
- Décrire les charges de travail et les considérations de l’intelligence artificielle
- Décrire les principes fondamentaux du Machine Learning sur Azure
- Décrire les caractéristiques des charges de travail de la vision par ordinateur sur Azure
- Décrire les caractéristiques des charges de travail du traitement du langage naturel (NLP) sur Azure
- Décrire les fonctionnalités des charges de travail d’IA générative sur Azure
| Tarif |
Contacter l'organisme |
| Durée |
1j / 7h |
| Modes |
|
Objectifs de la formation
- Adopter une stratégie de social learning au sein de son organisation
- Choisir les méthodes et outils les plus adaptés à son projet de communauté d'apprenants.
- Animer et développer une communauté d'apprenants.
| Tarif |
A partir de 845,00 € |
| Durée |
1 jour ( 7 heures) |
| Modes |
|
Objectifs de la formation
- Pendant la formation, le formateur évalue la progression pédagogique des participants via des QCM, des mises en situation et des travaux pratiques. Les participants passent un test de positionnement avant et après la formation pour valider leurs compétences acquises.
| Tarif |
Contacter l'organisme |
| Durée |
1 jour ( 7 heures) |
| Modes |
|
Objectifs de la formation
Comprendre et choisir une méthode d'apprentissage automatique - Acquérir les bases du Machine Learning avec Python| Tarif |
A partir de 3 475,00 € |
| Durée |
5j / 35h |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Décrire le principe de fonctionnement de Spark
- Utiliser l'API PySpark pour interagir avec Spark en Python
- Mettre en oeuvre les méthodes de Machine Learning avec la librairie MLlib de Spark
- Traiter les flux de données avec Spark Streaming
- Manipuler les données avec Spark SQL.
| Tarif |
A partir de 2 280,00 € |
| Durée |
3j / 21h |
| Modes |
|
Référencement Mobile d’un site Web - Adopter les bonnes pratiques du Mobile-First Indexing
Proposé par GROUPE ARKESYSObjectifs de la formation
- Comprendre les spécificités du référencement mobile ;
- Réaliser un audit de son référencement mobile ;
- Mettre en place une stratégie de mots clés pour son référencement mobile ;
- Mettre en place une stratégie de deep linking pour son application mobile ;
- Appréhender les outils du référencement mobile.
| Tarif |
A partir de 3 100,00 € |
| Durée |
2j / 14h |
| Modes |
|
Objectifs de la formation
- Connaissance des produits et services de Google Cloud Platform, particulièrement ceux liés au traitement des données et au machine learning
- Connaissance des produits et services fondamentaux concernant le calcul et le stockage
- Connaissance de Cloud SQL et de Dataproc
- Connaissance de Datalab et BigQuery
- Connaissance de TensorFlow et des APIs Machine Learning
- Connaissance de Pub / Sub et de Dataflow
| Tarif |
A partir de 950,00 € |
| Durée |
1j / 7h |
| Modes |
|
Architectures de données (data architecture) pour le Machine Learning et l'Intelligence Artificielle (IA)
Proposé par M2IObjectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Concevoir une plateforme "Cloud-native" ou hybride pour le Machine Learning et l'IA (Intelligence Artificielle)
- Consolider les actifs Data de l'organisation data-driven dans une seule plateforme
- Démocratiser l'accès aux données et permettre aux équipes métier de produire des modèles de ML (Machine Learning) et d'IA en self-service
- Automatiser la prise de décision dans l'organisation grâce à des pipelines de streaming
- Ajouter des capabilités prédictives et prescriptives aux capabilités descriptives de la BI (Business Intelligence).
| Tarif |
A partir de 2 550,00 € |
| Durée |
3j / 21h |
| Modes |
|
