Deep Learning avec Tenserflow : concevoir des réseaux de neurones
Apprenez à entrainer et à optimiser des réseaux de neurones en python avec Tensorflow 2.0 et Keras pour traiter données structurées, images, sons, textes et séries temporelles.
Dates à la demande. · Formation exonérée de TVA.
Voir les dates de session →Dans vos locaux ou à distance, aux dates de votre choix, programme adapté à vos outils. Prise en charge possible par votre OPCO.
Demander un devisCe que vous saurez faire
- Comprendre les Fondamentaux du Deep Learning et ses Applications : Maîtriser la terminologie, différencier le DL du ML, et identifier les cas d'usage pertinents.
- Implémenter et Entraîner des Réseaux de Neurones avec TensorFlow/Keras : Savoir construire, entraîner et évaluer des réseaux de neurones multi-couches, des CNN et des RNN (LSTM/GRU) pour différentes tâches.
- Appliquer les Techniques d'Optimisation et de Pré-traitement des Données : Être capable de préparer les données, choisir les bonnes fonctions d'activation, les optimizers et les taux d'apprentissage pour améliorer la performance des modèles.
- Utiliser le Transfer Learning pour Accélérer le Développement : Savoir réutiliser des modèles pré-entraînés (sur images et textes) et les adapter à des jeux de données spécifiques.
- Évaluer la Performance des Modèles et Interpréter les Résultats : Comprendre et utiliser les métriques d'évaluation, superviser l'entraînement (epochs) et valider la robustesse des modèles.
- Comprendre les Principes du Online Learning et de la Mise en Production : Saisir les enjeux de l'apprentissage en temps réel et les étapes de base pour déployer un modèle.
- Résoudre des Problèmes Concrets à l'aide du Deep Learning : Être capable d'aborder un nouveau problème, de choisir une architecture appropriée et de mettre en œuvre une solution de deep learning.
Programme détaillé
Public visé & prérequis
Public :
- Développeur, data engineer, data analyst, data scientist, chercheur, ingénieur R&D, chef de projet technique, statisticien, et toute personne travaillant dans la data et sachant manipuler du code informatique
Prérequis :
- Connaitre un langage de programmation, idéalement python
- Un test de positionnement sera réalisé au préalable pour vérifier si vous disposez des compétences nécessaires pour suivre la formation.
Objectifs pédagogiques
- Comprendre les réseaux de neurones et leurs principaux paramètres
- Savoir choisir et optimiser l'architecture de réseau
- Entrainer différents types de modèles en fonction de ses données
- Savoir utiliser des modèles préexistants
- Comprendre et mettre en oeuvre des réseaux convolutifs
- Savoir mettre à jour en flux continu ses modèles
- Comprendre et mettre en oeuvre des réseaux récurrents
Programme
- Introduction du deep learning :
- Définition et cas d'usage
- Pré-requis du deep learning et différences avec le machine learning
- Terminologie et vocabulaire
- Les réseaux de neurones :
- Perceptron, régression linéaire, régression logistique
- Descente de gradient
- Réseaux de neurones multi-couches
- Entraînement d'un réseau de neurones
- Optimisation d'un réseau de neurone :
- Pré-traitement des données : standardisation et normalisation
- Fonctions d'activations
- Choix d'un optimizer
- Architecture du réseau
- Choisir un taux d'apprentissage
- Evaluer et valider les modèles
- Superviser les epochs
- Réseaux de neurones convolutifs, CNN :
- Principe d'une couche de convolution
- Principe d'une couche de pooling
- Cas d'utilisation pour les images
- Architectures classiques : ResNet, VGGNet…
- Transfert learning :
- Récupérer un réseau pré-entrainé
- Spécialiser ce réseau sur ses propres données
- Mise en pratique pour les images avec ImageNet
- Mise en pratique pour les textes avec Word2Vec
- Online learning :
- Mise à jour en temps réel des réseaux de neurone
- Apprentissage hors-mémoire (out-of-core) pour le big data
- Mise en production :
- Passage en production du modèle
- Supervision et mise à jour
- Réseaux de neurones récurrents (RNN) :
- Principe des réseaux récurrents
- Cas d'utilisation pour le texte
- Cas d'utilisation pour les séries temporelles
- LSTM, GRU
Méthodes et moyens pédagogiques
Cette formation va vous permettre de maitriser les réseaux de neurones profonds et le deep learning en vous fournissant les bases théoriques nécessaires que vous mettrez en oeuvre avec des jeux de données réels sur des serveurs dotés de GPU.
La partie théorie, loin des formules mathématiques complexes, démystifiera les concepts du deep
learning et expliquera clairement leurs fonctionnements et les impacts de vos choix sur les performances du modèle final.
Les mises en pratique systématiques des concepts abordés se feront sur des exemples variés ; l'accent sera mis sur l'optimisation des modèles, mais aussi sur les bonnes pratiques à suivre et les écueils à éviter tout au long du projet, que ce soit pendant la phase de conception ou pendant la phase d'exploitation en production.
Vous créerez des réseaux convolutifs, très utilisés pour les images et les sons ; vous utiliserez le
transfer learning, qui permet d'utiliser des modèles déjà entrainés et de les spécialiser sur vos propres données ; vous concevrez des réseaux récurrents qui permettent de prendre en compte la structure séquentielles des données (langage naturel, série temporelle…) ; vous verrez comment mettre en place une mise à jour en flux continu de vos réseaux (online learning).
- Exercices concrets
- Cas pratiques
- Quiz d'évaluation des connaissances
Modalités d’évaluation
- Positionnement en amont de la formation :
- Un quiz de consolidation des pré-requis sera administré en amont de la formation
- Suivi « pendant » :
- Feuilles de présence
- Exercices pratiques
- Évaluation « fin de formation »
- Évaluation des acquis en fin de formation
- Formulaires d'évaluation de la formation
- Évaluation à froid :
- Suivi post-formation : Questionnaire de satisfaction à j+60
Accessibilité et délais d’accès
Délais d'accès à la formation
Le délai d'accès à la formation est variable en fonction du dispositif de financement utilisé, du planning des formateurs et des contraintes du client. Pour les formations inter-entreprises, vous pouvez consulter notre calendrier en ligne ou prendre contact avec nous. Nous traitons vos demandes sous 48 heures
Accessibilité
Si vous êtes en situation de handicap, merci de nous en informer afin de vous accompagner, vous orienter, et étudier les compensations nécessaires pour répondre au mieux à votre demande de formation. Certaines formations peuvent nécessiter une adaptation pour les personnes en fonction de leur handicap. Nous restons disponibles pour échanger ensemble et nous pourrons vous orienter vers un de nos partenaires : Agefiph, Cap Emploi
Votre inscription
De la recherche à la formation, en 5 étapes
Testez votre niveau
Un test de positionnement gratuit pour entrer au bon niveau. Faire le test →
Vérifiez votre financement
CPF, OPCO, France Travail : un conseiller vous rappelle sous 48 h et monte le dossier avec vous.
Validez votre inscription
C’est à vous : vous signez le devis ou la convention, ou vous validez votre dossier sur Mon Compte Formation.
Formez-vous
Convocation, formation, évaluation et certification.
Particulier · salarié · demandeur d’emploi
Financez votre formation avec votre CPF
- 75 formations éligibles au CPF
- Inscription sur Mon Compte Formation, nous vous guidons pas à pas
- Participation forfaitaire de 150 €, sauf exonération (demandeur d’emploi, abondement employeur)
Entreprise · équipe · service RH
Formez votre équipe en intra-entreprise
- Dans vos locaux, à Toulouse ou à distance, aux dates de votre choix
- Programme adapté à vos outils et à vos cas réels (Deep Learning avec Tenserflow : concevoir des réseaux de neurones)
- Forfait groupe, financement OPCO, devis sous 48 h
Devis · inscription · financement
Une question sur « Deep Learning avec Tenserflow : concevoir des réseaux de neurones » ?
Un conseiller vous répond sous 48 h ouvrées : dates, format, devis et financement (CPF, OPCO, France Travail).
Réservation