Deep Learning avec Tenserflow

Objectifs

Comprendre les réseaux de neurones et leurs principaux paramètresSavoir choisir et optimiser l'architecture de réseauEntrainer différents types de modèles en fonction de ses donnéesSavoir utiliser des modèles préexistantsComprendre et mettre en oeuvre des réseaux convolutifsSavoir mettre à jour en flux continu ses modèlesComprendre et mettre en oeuvre des réseaux récurrents

Programme de la formation

Introduction du deep learning :Définition et cas d'usagePré-requis du deep learning et différences avec le machine learningTerminologie et vocabulaireLes réseaux de neurones :Perceptron, régression linéaire, régression logistiqueDescente de gradientRéseaux de neurones multi-couchesEntraînement d'un réseau de neuronesOptimisation d'un réseau de neurone :Pré-traitement des données : standardisation et normalisationFonctions d'activationsChoix d'un optimizerArchitecture du réseauChoisir un taux d'apprentissageEvaluer et valider les modèlesSuperviser les epochsRéseaux de neurones convolutifs, CNN :Principe d'une couche de convolutionPrincipe d'une couche de poolingCas d'utilisation pour les imagesArchitectures classiques : ResNet, VGGNet…Transfert learning :Récupérer un réseau pré-entrainéSpécialiser ce réseau sur ses propres donnéesMise en pratique pour les images avec ImageNetMise en pratique pour les textes avec Word2VecOnline learning :Mise à jour en temps réel des réseaux de neuroneApprentissage hors-mémoire (out-of-core) pour le big dataMise en production :Passage en production du modèleSupervision et mise à jourRéseaux de neurones récurrents (RNN) :Principe des réseaux récurrentsCas d'utilisation pour le texteCas d'utilisation pour les séries temporellesLSTM, GRU

Validation et sanction

Attestation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique