Prérequis
Bases de la programmation Python
Durée
3 jours
Contenu Technique de la Formation
Les contenus techniques de cette formation sont :
- Fondements du Deep Learning
- Tensorflow
Objectifs de la Formation
Cette formation a pour objectifs de :
- Comprendre le fonctionnement du Deep Learning
- Développer des algorithmes de Deep Learning avec TensorFlow
Table des Matières
Introduction au Deep Learning
- Relation entre Machine Learning et Deep Learning
- Champs d’application et cas d’utilisation
- Principes fondamentaux du Machine Learning
- Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, etc
Découverte de TensorFlow
- Installation de TensorFlow et son éco système, présentation des tensors (tableaux multidimensionnels), des variables et placeholders, présentation des graphes et sessions TensorFlow
- Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets, etc.
- Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes d’apprentissage avec TensorBoard
- Exercices
Les réseaux neuronaux artificiels ou ANN (Deep Learning)
- Présentation du fonctionnement du perceptron à une couche et du perceptron multicouche, configuration et paramétrage d’un réseau de neurones
- Approche logicielle du développement d’un réseau de neurones : activation, désactivation
- Conception d’un réseau de neurones en fonction du problème à résoudre
- Exercices
Entraînement d’un réseau de neurones
- Présentation des méthodes d’apprentissage : fonction de coût, descente de gradient et rétropropagation
- Importance de la métrologie : choix des paramètres
- Présentation de techniques de Data Augmentation et de l’écueil du sur apprentissage par régularisation
- Réutilisation d’ANN, par transfer learning ou comment utiliser des couches pré entraînées
- Exercices
Réseaux de neurones convolutifs ou CNN
- Présentation des principes de fonctionnement et définition de filtres convolutifs
- Développement d’une couche de convolution, d’une couche de pooling
- Approche logicielle du développement d’un réseau de neurones convolutifs
- Exercices
- Réseaux de neurones récurrents ou RNN
- Présentation des principes de fonctionnement et importance de la disparition du gradient
- Approche logicielle du développement d’un réseau de neurones récurrents
- Présentation d’une Cellule Long Short-Term Memory (LSTM) et de sa version simplifiée la cellule GRU
- Principes fondamentaux du NLP ou Natural Language Processing
- Exercices
Apprentissage par renforcement (Deep Learning)
- Principe de notation et d’optimisation par objectif
- Présentation de la toolkit Gym pour la programmation par renforcement
- Principe de la prise de décision par critère de Markov
- Principes fondamentaux de l’apprentissage par différence (temporelle, etc)
- Exercices
Performance et mise en production
- Exécution sur CPUs, GPUs, TPUs ou cluster
- Mise en production avec TensorServing
- Exercices
Etude de cas
- Présentation d’un cas pour lequel, par groupe, les participants sont amenés à faire un concours pour proposer la solution la plus efficace
En Pratique
- Les exercices proposés lors des formations sont centrés sur chaque concept présenté durant la formation. Les exercices abordent les concepts et la difficulté de façon progressive. A la fin de la formation, un exercice récapitulatif d’intégration des concepts est proposé aux participants.
Modalités et Inscription
Cette formation est proposée selon deux formules pour s'adapter au mieux à vos besoins :
Session régulière
Des sessions sont organisées à intervalles réguliers. Demandez les prochaines dates planifiées pour vous inscrire à la prochaine session.
Sur mesure & intra-entreprise
Vous souhaitez former vos équipes directement dans vos locaux ou adapter le programme technique à votre contexte d'entreprise ? Contactez-nous pour obtenir un devis personnalisé.