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
Objectifs de la formation
- Définir les concepts clés de MLOps
- Maîtriser l'ingénierie en Machine Learning
- Appliquer des techniques de compression des modèles
- Analyser et corriger les erreurs des modèles
- Déployer et mettre à l'échelle des modèles ML
| Tarif |
A partir de 1 500,00 € |
| Durée |
2 jours |
| 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
- 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
- Identifier un problème résoluble par Machine Learning
- Identifier les outils et librairies nécéssaires
- Prétraiter des données
- Construire des modèles d'apprentissage non-supervisés
- Construire des modèles d'apprentissage supervisés
- Mesurer la performance de vos modèles
- Identifier les barrières techniques du Machine Learning sur un problème donnée
- Identifier les méthodes permettant d'améliorer les performances
- Extraire des résultats actionnables
- Traiter des images
- Traiter du texte
- Traiter un problème de recommandation
| Tarif |
Contacter l'organisme |
| Durée |
5j / 35h |
| Modes |
|
Objectifs de la formation
Comprendre et choisir une méthode d'apprentissage profond - Implémentation d'algorithmes du Deep learning avec Python| Tarif |
A partir de 3 475,00 € |
| Durée |
5j / 35h |
| Modes |
|
Objectifs de la formation
- Configurer un environnement Kubeflow
- Connaître les options de déploiement
- Construire et déployer un modèle de Machine Learning sur Kubeflow
- Créer et exécuter un pipeline ML avec Kubeflow Pipelines
| Tarif |
A partir de 1 500,00 € |
| Durée |
2 jours |
| Modes |
|
Objectifs de la formation
- S'approprier le Digital Learning pour faire évoluer ses pratiques pédagogiques.
- Définir le nouveau rôle du formateur.
- Identifier les opportunités et les contraintes du digital learning.
| Tarif |
Contacter l'organisme |
| Durée |
0.5 jours |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Identifier les enjeux du Machine Learning dans l'entreprise
- Utiliser les fonctionnalités de Machine Learning sous IBM Cognos Analytics CA 11.x
- Manipuler les algorithmes de Machine Learning.
| Tarif |
A partir de 2 280,00 € |
| Durée |
3j / 21h |
| Modes |
|
Machine Learning et Deep Learning – Vue d’ensemble des enjeux de l’Intelligence Artificielle
Proposé par ENI ServiceObjectifs de la formation
- Identifier les capacités réelles des systèmes d'Intelligence Artificielle actuels ;
- Cerner les acteurs du marché ;
- Décrire les transformations engendrées par l'intégration d'Intelligence Artificielle à des systèmes métiers.
| Tarif |
Contacter l'organisme |
| Durée |
1j / 7h |
| Modes |
|
Objectifs de la formation
- Prétraiter des images
- Construire des réseaux de convolution traitant des images
- Identifier les mécanismes de regularisation
- Détecter des objets dans des images
- Classer des images
- Générer des images
- Extraire des résultats actionnables
| Tarif |
Contacter l'organisme |
| Durée |
3j / 21h |
| Modes |
|
