Accueil / Formations / Mise en place de projets Deep Learning avec TensorFlow

Mise en place de projets Deep Learning avec TensorFlow

Cette formation est destinée aux développeurs, Data Scientists et Architectes souhaitant une initiation complète au Deep Learning. Nous verrons quels problèmes peuvent bénéficier de ce type d'approche et les architectures de réseaux de neurones ayant fait leurs preuves. Lors des travaux pratiques nous utiliserons les bibliothèques TensorFlow et Keras.

Objectifs pédagogiques

  • Être capable d'identifier les problèmes pour lesquels une solution Deep Learning est pertinente
  • Connaître les spécificités de la bibliothèque TensorFlow
  • Connaître les strutures classiques pour un réseau de neurones
  • Savoir implémenter ces architectures avec TensorFlow et Keras

Programme

Partie I : Introduction

  1. Concepts fondamentaux du Machine Learning
  2. Particularité du Deep Learning
  3. Réseaux multi-couches
  4. Apprentissage et rétro-propagation du gradient
  5. Frameworks pour le Deep Learning
  6. Tensorflow

Partie II : Manipulation des données avec TensorFlow

  1. Comment constituer un bon jeu de données
  2. Les outils du DataScientist : Numpy et Pandas
  3. Tensors, Datasets, Iterators
  4. Appliquer un pipeline de traitement sur les données
  5. Mise en pratique :
  6. Image
  7. Texte

Partie III : Conception d'une architecture adéquate

  1. Premiers pas dans la recherche d'un modèle
  2. Présentation des architectures standards
  3. Possibilité d'adaptations
  4. Création d'un modèle avec TensorFlow : organisation des tensors en graphes
  5. Keras : faciliter le processus de recherche

Partie IV : Modèles convolutionnels

  1. Cas d'utilisation
  2. Couches caractéristiques
  3. Architectures reconnues
  4. Application à l'analyse sémantique d'images

Partie V : Visualisation avec Tensorboard

  1. Mise en place
  2. Les résumés
  3. Les Dashboards
  4. Données temporelles
  5. Histogrammes et distributions
  6. Graphes

Partie VI : Les réseaux récurrents

  1. Cas d'utilisation
  2. Couches caractéristiques
  3. Architectures reconnues
  4. Application au traitement du langage

Partie VII : Autoencoders

  1. Cas d'utilisation
  2. Couches caractéristiques
  3. Architectures reconnues
  4. Application à la réduction de dimension

Partie VIII : Modèles générationnels (GAN)

  1. Cas d'utilisation
  2. Couches caractéristiques
  3. Architectures reconnues
  4. Application à la synthèse d'images

Passage en production

  1. TensorServing
  2. Mise en place d'un système de log
  3. Recherche des cas critiques
  4. Optimisation :
    1. Installation de TensorFlow sur une architecture distribuée
    2. Caffe

Sessions (Toulouse, Nantes, Paris)

Nous contacter

Public

  • Développeurs
  • Data Scientists
  • Architectes

Pré-requis

  • Connaître les bases de la programmation en Python (structures de données et de contrôle, fonctions, bases de la POO)

Durée

3 jour(s) soit 21 heures

Prix

1500 € par personne

Moyens pédagogiques et techniques

  • les supports de cours (slides) seront disponibles en ligne et distribués en début de formation (à l'aide d'un lien vers notre outil interne ou d'une version numérisée), puis fournis au format électronique à la fin de la formation

  • une salle de formation équipée d'une connexion Internet, d'un vidéoprojecteur, paperboard...

  • un ordinateur par stagiaire avec un système d'exploitation installé et les outils nécessaires

Modalités de suivi de l'exécution du programme

  • durant la formation : alternance d'apports théoriques (30% du cours) et d’exercices pratiques et de mise en situation sous forme de travaux pratiques corrigés avec l’expert-formateur

  • en fin de formation : évaluation à chaud sur l'atteinte des objectifs pédagogiques sous forme de tour de table et de test de connaissances, d'exercices, de QCM

Moyens d'encadrement

  • Formation assurée par un expert maîtrisant les concepts de l'intelligence artificielle