Booster des Talents IT

Formation Deep Learning avec TensorFlowNew Formation !

formation deep learning
Exploitez le potentiel des réseaux de neurones artificiels grâce à notre formation de 3 jours !
Le Deep Learning (apprentissage profond) est l’un des domaines les plus engageants et prometteurs en matière d’intelligence artificielle. Les avancées du Machine Learning (apprentissage automatique) offrent aujourd’hui d’innombrables possibilités d’application en entreprise, et l’apprentissage profond permet de résoudre des problématiques toujours plus complexes. Notre formation Deep Learning s’inscrit dans la mouvance actuelle et vous permettra de mettre en œuvre l’ensemble des techniques les plus utilisées. Tout au long de la formation, vous vous familiariserez avec les réseaux de neurones artificiels en manipulant TensorFlow, outil développé par Google et devenu l’un des frameworks de référence pour le Deep Learning. Développez des programmes d’un nouveau genre pour la reconnaissance d’images, de textes, et maîtrisez l’ensemble des concepts du Deep Learning grâce à notre formation de référence !
Prixà partir de
1990 €HT
RéférenceAF27119
Durée3 jours
Public Architectes, Chefs de Projet, Développeurs
PrérequisConnaissances en programmation avec Python, familiarité avec le Machine Learning et connaissances de base en algèbre et statistiques.
Éditeurs Google
TP60%

Plan de Formation Deep Learning avec TensorFlow

Introduction à la formation Deep Learning

Retour historique sur l’apprentissage automatique
Du Machine Learning au Deep Learning
Pourquoi le Deep Learning revient sur le devant de la scène
Champs d’application et cas d’utilisation
Révisions des principes fondamentaux du Machine Learning
Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, Caffe, etc

Quelques rappels mathématiques : vecteurs, matrices, hyperplans…

Premiers pas avec TensorFlow

Installer TensorFlow et son environnement
Introduction aux tensors (tableaux multidimensionnels)
Hello World et opérations de base avec TensorFlow
Variables et placeholders
Graphes et sessions TensorFlow
Les principales APIs TensorFlow : Estimators, Layers, Datasets…
Obtenir et manipuler des ensembles de données
Régression et classification avec TensorFlow
Visualiser des graphes et courbes d’apprentissage avec TensorBoard
Sauvegarder et restaurer des modèles

Atelier : Création d’un premier modèle de régression en TensorFlow, prise en main du TensorBoard pour la visualisation

Introduction aux réseaux neuronaux artificiels (ANN)

Les réseaux de neurones, du biologique à l’artificiel
Le perceptron à une couche et perceptron multicouche
Principes de fonctionnement et architecture
Régler les paramètres d’un réseau de neurones
Les grandes étapes du développement d’un réseau de neurones
Fonctions d’activation Sigmoid, Tanh, ReLU…
Modéliser un réseau de neurones en fonction du problème à résoudre

Atelier : Construction d’un premier réseau de neurones multicouche sur TensorFlow pour la classification

Entraînement et optimisation d’un réseau de neurones

Rythme d’apprentissage
Fonctions de coût, descente de gradient et rétro-propagation
Sélectionner les features
Techniques de Data Augmentation
Eviter le surapprentissage grâce à la régularisation (arrêt délibéré, normes L1 et L2)
Batch normalization
Validation croisée et hyperparamètres
Optimisation et comparaison de modèles
Transfer Learning : utiliser des couches préentraînées

Atelier : Entraînement, test et optimisation d’un réseau de neurones profond

Réseaux de neurones convolutifs (CNN)

Principes de fonctionnement et cas d’utilisation
Filtres, couches de convolution et de pooling
Architecture d’un CNN

Atelier : Implémentation d’un réseau de neurones convolutif pour la reconnaissance de l’écriture manuscrite (utilisation de la base de données MNIST de chiffres écrits à la main)

Réseaux de neurones récurrents (RNN)

Principes de fonctionnement et cas d’utilisation
Le problème de la disparition du gradient
Architecture d’un RNN
Cellule Long Short-Term Memory (LSTM)
Cellule GRU, version simplifiée de la cellule LSTM
Natural Language Processing
Réseaux de neurones récursifs

Atelier : Implémentation d’un réseau de neurones récurrents pour le traitement automatique du langage naturel

Autoencoders et Restricted Boltzmann Machine

Retour sur l’apprentissage non-supervisé
La machine de Boltzmann restreinte (RBM)
Deep Belief Networks
Réduction de dimension grâce aux autoencoders
Différents types d’autoencoders

Atelier : Utilisation d’un autoencoder pour la réduction de dimension

Reinforcement learning (apprentissage par renforcement)

Principes de fonctionnement et cas d’utilisation
Optimiser les récompenses
Introduction à OpenAI Gym, configuration et prise en main
Le problème du credit-assignment
Processus de décision markoviens
Apprentissage par différence temporelle
Apprentissage Q

Atelier : Contrôle d’un agent évoluant dans un environnement simple de jeu vidéo

Aller plus loin

Exécution sur CPUs, GPUs ou cluster
Mise en production avec TensorServing
Visualisation avancée
Les limites du Deep Learning
Considérations pour l’implémentation du Deep Learning dans une application d’entreprise
Ressources additionnelles

Nos autres formations Big Data

AF27119Formation Deep Learning avec TensorFlow New Formation ! en Intra/Cours Particulier3 jours1990 €HT
AF27098Formation Machine Learning New Formation ! 5 sessions prévues3 jours1950 €HT
AF26712Formation Certification Big Data Foundation New Formation ! 9 sessions prévues3 jours2190 €HT
AF25091Formation Big Data : Pig, Hive et Impala avec Hadoop 13 sessions prévues4 jours2190 €HT
AF15406Formation Big Data et NoSQL pour développeurs 14 sessions prévues3 jours1550 €HT
Voir les 6 formations
Vous pouvez également être intéressé par des formations apprentissage automatique, data analyst, data science, deep learning, Google, IA, intelligence artificielle, machine learning, Python, réseaux de neurones, tensorflow ou par les formations de notre filière Big Data
A propos de Deep Learning avec TensorFlow
Le Deep Learning, ou apprentissage profond est une technique d’apprentissage issue du Machine Learning et qui connaît actuellement un succès retentissant. Basée sur des modèles de réseaux de neurones artificiels, cette approche vise à reproduire (de manière très simplifiée) le fonctionnement du cerveau humain. Le Deep Learning consiste ainsi à structurer une machine virtuelle en milliers d’unités interconnectées (les neurones) réparties sur plusieurs couches. Au sein d’une couche, chaque neurone effectue des calculs simples, qui vont servir d’entrée aux calculs réalisés par les neurones des couches inférieures. C’est cette structuration en couches successives qui a donné son nom à l’apprentissage « profond » : le réseau de neurones approfondit ses connaissances et devient de plus en plus précis au fil des couches. On distingue plusieurs techniques de Deep Learning, dont les principales sont : les réseaux de neurones profonds (deep neural networks), qui permettent la modélisation de tous types de données ; les réseaux de neurones à convolution (CNN), utilisés pour la classification, segmentation et reconnaissance d’images ; les réseaux de neurones récurrents (RNN), qui conviennent pour l’analyse de séries temporelles ou la reconnaissance de forme ; les autoencoders, qui découvrent des structures au sein d’un ensemble de données par des techniques d’apprentissage non-supervisée ; et finalement l’apprentissage par renforcement (reinforcement learning), une méthode capable d’optimiser le comportement décisionnel. Le Deep Learning est aujourd’hui mis en œuvre par des technologies comme Siri, Cortana ou Google Now pour comprendre la voix ou encore dans la reconnaissance d’images : par exemple, Facebook s’en sert pour identifier les photos contraires à ses conditions d’utilisation et Google Maps pour déchiffrer des numéros de rues. TensorFlow est une librairie open source soutenue par Google et utilisée pour effectuer des calculs numériques. Devenu framework de référence dans le Deep Learning, TensorFlow tire sa particularité dans l’utilisation de graphiques de flux de données pour représenter les calculs effectués. Son architecture flexible permet un déploiement sur un bureau, serveur ou appareil mobile avec une seule API. S’il dispose d’un grand nombre de fonctionnalités, TensorFlow est principalement utilisé pour gérer des modèles de réseaux de neurones profonds, propres au Deep Learning. En savoir plus
Prixà partir de
1990 €HT
RéférenceAF27119
Durée3 jours
Public Architectes, Chefs de Projet, Développeurs
PrérequisConnaissances en programmation avec Python, familiarité avec le Machine Learning et connaissances de base en algèbre et statistiques.
Éditeurs Google
Travaux pratiques60%