Le Deep Learning s’applique à une grande gamme de problèmes d’Intelligence Artificielle, tels que la classification des images, la reconnaissance de la parole, la classification du texte, la réponse aux questions, la synthèse vocale et la reconnaissance des caractère.
Dans cette formation, vous allez aborder les éléments indispensables pour appliquer le deep learning à des données pour les problèmes de régression et de classification. Vous utiliserez la librairie TensorFlow.
Enfin, vous verrez comment écrire des algorithmes de reconnaissance d’images et de prédictions.
Deep Learning avec Python TensorFlow
2 jours II Code CNCP : 2234 II Certif info : 93835
Les objectifs de la formation Deep Learning avec Python-TensorFlow
A l’issue de la formation «Deep Learning avec Python – TensorFlow», les apprenants auront les capacités de :
- 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
Les prérequis de la formation Deep Learning avec Python-TensorFlow
- 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.
Le public de la formation Deep Learning avec Python-TensorFlow
La formation certifiante « Deep Learning avec Python-TensorFlow », s’adresse à tout public salarié, demandeur d’emploi ou en reconversion professionnelle, notamment :
- Data Scientist / Data Miner
- Débutant en Python
- Statisticien
- Marketer spécialiste de la data
- Utilisateur de bases de données intéressé par l’analyse
- Responsable système d’informations
- Développeurs informatiques, ingénieurs d’études
- Architecte système et logiciel
- Data scientist (analyse de données) ou Data miner (fouilleur des données)
0
Certif Info
0
Code CNCP
0
Jours
0
Heures
Contenu de la formation
Deep Learning avec Python-TensorFlow
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
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 du module Deep Learning avec Python-Tensorflow.
Modalités De Formations
Deep Learning avec Python-TensorFlow
La formation certifiante Deep Learning avec Python-TensorFlow est disponible en 3 modalités :
E-learning tutoré, Blended Learning et en présentiel.
Financement et Éligibilité
de la formation Deep Learning avec Python-TensorFlow