Formation Python TensorFlow
Deep Learning avec le langage Python et TensorFlow
Description de la Template formation courte
Description de la formation Formation Python TensorFlow
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 et vous verrez comment écrire des algorithmes de reconnaissance d’images et de prédictions.
Objectifs
A l'issue de cette formation, les participants seront en mesure de :
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 et vous verrez comment écrire des algorithmes de reconnaissance d’images et de prédictions.
Objectifs
A l'issue de cette formation, les participants seront en mesure de :
Programme
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
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 & aux fonctions
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 puis 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 non linéaire avec tf.keras
- Exercice simple de classification
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
- Les méthodes “Early Stopping” & Early Stopping dans Keras
- Stabiliser l’apprentissage d’un modèle & Sauvegarder et réutiliser le modèle entraîné
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
Bilan de fin de formation et évaluation des acquis
Le(s) formateur(s) préssenti(s)
Christophe
Après bientôt 25 ans d'expertise et d'enseignement, Christophe maitrise un très large spectre de compétences : technologies front-end et backend, Datas & méthodologies IT.Christophe G
Après bientôt 25 ans d'expertise et d'enseignement, Christophe maitrise un très large spectre de compétences front et back, BigData ainsi qu'en termes de méthodologies agiles et gestion de projet. Christophe saura vous faire profiter de ses nombreux retours d'expérience.
Sessions et réservation
| Dates | Lieu | Prix | Durée | ||
|---|---|---|---|---|---|
| Aucune session n'est programmée | |||||