Deep Learning avec Keras & Tensorflow

Objectifs :

Maîtriser les principaux concepts de l’apprentissage automatique
Mettre en œuvre des modèles prédictifs avec des modèles d’apprentissage profond
Utilisation de Tensorflow et Keras
Concevoir les modèles d’apprentissage profond appropriés en fonction de l’exigence relative aux cas d’utilisation

Outils à maîtriser :

Python - Carnet Jupyter
Tensorflow (tensorflow)
Dur
Carnet Jupyter
Collab Google
Anaconda

Module 1 : Introduction

Apprentissage automatique et apprentissage profond 
L’ère des données
Traitement des données avec Python 

Module 2 : Défis liés à l’apprentissage automatique 

Concepts principaux d’apprentissage automatique
Applications ML 
Travailler avec des données réelles : pré-traitement et préparation des données
Le défi de l’apprentissage : surafistage et sous-entréfait
Défi qualité du modèle : test et validation 

Module 3 : Réseaux neuronaux artificiels et apprentissage profond

Neurones artificiels et biologiques
Apprentissage profond 
Applications d’apprentissage en profondeur

Module 4 : Cadres Tensorflow, Keras et DL 

Tensorflow (tensorflow)
Vue d’ensemble des bibliothèques et des cadres DL
Dur

Module 5 : Modèles d’apprentissage profond 

Cnn
RNN (en anglais)
Modèles d’apprentissage profond présentés 

Module 6: ANN avec Keras

ANN architecture et modèle d’apprentissage
Mise en œuvre de MLP-BP avec keras
Formation du réseau neuronal
Modèle fin-réglage : optimisation des hyperparamètres

Module 7 : Sujets de formation avancée 

Gestion optimisée avec Hard
Utilisation de couches préentraînées avec Keras
Personnalisation de modèles avec Tensorflow
Accélération de la formation GPU

Module 8 : Préparation des données avec Tensorflow

L’API données
Pré- fonctionnalitésd’entrée de traitement
TF Transformer

Module 9 : Vision par ordinateur et traitement de l’image

Couches de convolution
Mutualisation 
Architectures CNN
D’ALEXNET à Inception 

Module 10 : Traitement du langage naturel NLP avec RNN

NLP applications
Préparation des données
Analyse des sentiments
Autres modèles RNN : Bidirectionnel, basé sur l’attention.

Module 11 : Déploiement du modèle TensorFlow

Sauver le modèle prédictif formé
Déploiement de modèles
Déploiement d’appareils mobiles

Public

Développeurs de logiciels, Ingénieurs informatiques et Étudiants ayant une formation scientifique.

Pré-requis

Syntaxe de base du python et connaissance préalable d’une IA et d’un apprentissage automatique.

Méthodes pédagogiques

Alternance d'apports théoriques, d'exercices pratiques et d'études de cas.

---