Formation Deep Learning avec TensorFlow.
96% de clients Sparks satisfaits (3317 notes)
Durée :
3 jours
17/11/2021 à Paris
numero vert : 0805 950 800 (service et appel gratuits)
Deep Learning avec TensorFlow
à partir de
1990 €HT
Formation référencée Datadock

Référence :
4DLT
Durée :
3 jours
TP :
60%

Disponible en distanciel et dans 17 villes
Ce stage comprend
 21 heures de formation
60% de travaux pratiques
Pauses et snacks à volonté
Prise en charge OPCO possible
Disponible à distance

Formation Deep Learning avec TensorFlow.

Suivez notre formation Deep Learning avec TensorFlow sur 3 jours pour maîtriser la puissance des réseaux de neurones!

Le Deep Learning est un des domaines informatiques les plus prometteurs de l'ère du Big Data. 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.

Objectifs pédagogiques.

Prérequis : Connaissances en Machine Learning et en Python, et connaissances basiques en statistique
17/11/2021 à Paris
29/11/2021 à Toulouse
01/12/2021 à Distance

Programme de formation Deep Learning avec TensorFlow.

PDF

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

Installation de TensorFlow
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 base de données MNIST 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 sur une application d’entreprise
Ressources additionnelles

Notre charte qualité et éthique.

A travers sa Charte Engagement Qualité, Sparks s’engage à tout mettre en œuvre pour que chaque session de formation soit un succès et que votre satisfaction soit totale.

À propos de Deep Learning avec TensorFlow.

Le deep learning, ou l’apprentissage profond en français est une méthode d’apprentissage automatique d’Intelligence Artificielle. Cette méthode essaye de simuler la manière d’apprendre d’un cerveau humain pour la machine.
En effet, le deep learning, ou encore le deep structured learning ou le hierarchical learning utilise le principe des réseaux de neurones artificiels et de l’analyse discriminante pour apprendre de chaque itération à l’aide d’algorithmes et donc de s’auto-améliorer.
Cette formation deep learning va donc s’attacher à l’apprentissage machine pour grandement améliorer vos IA.
Le deep learning, l’apprentissage profond, à de nombreuses applications. La première vient directement du phénomène du Big Data. Ce terme désigne la quantité exponentiellement croissante de données disponibles concernant le comportement des consommateurs. Le deep learning a notamment pour but de permettre aux machines de pouvoir lire toutes ces données sans qu’elles soient catégorisées. Ainsi, en donnant un ensemble de données non traitées à une solution de deep learning, la machine va pouvoir elle-même catégoriser toutes ces données puis en sortir des résultats catégorisés.

Notre formation Tensorflow pour le deep learning répond à cette demande. En effet, TensorFlow est une solution open-source développée par Google de deep learning. De manière plus élargie, cette formation Deep Learning avec Tensorflow s’attaque au machine learning, la branche généralisée de l’apprentissage automatique des machines. A l’aide de cette formation, vous apprendrez à utiliser TensorFlow pour analyser et traiter toutes ces données.

Au cours de cette formation TensorFlow, vous apprendrez à installer et configurer le logiciel. Vous serez formés aux réseaux neuronaux artificiels (ANN), ainsi qu’aux réseaux de neurones convolutifs (CNN) et récurrents (RNN). Vous apprendrez également au cours de cette formation Deep Learning à optimiser vos réseaux de neurones ainsi qu’à utiliser Autoencoders ou encore Restricted Boltzmann Machine. Enfin, vous pratiquerez également le reinforcement learning.

Réservez dès maintenant votre formation Deep Learning TensorFlow pour accéder à la puissance du Deep Learning et de l’apprentissage machine. Cette formation est réalisable à distance ou en présentiel.

Amandine de Sparks
Des chiffres étincelants.
16 années
à vos côtés
+ de 1000
sujets de formation
5349
stagiaires formés en 2020
219
formateurs actifs en 2020
95,2 %
de stagiaires satisfaits (1er semestre 2021)
16978
heures de formation réalisées en 2020
HAUT