TensorFlow pour le Machine Learning et Deep Learning
TensorFlow est devenu en un temps record l’un des frameworks de référence pour le Deep Learning et l’Intelligence Artificielle, utilisé aussi bien dans la recherche qu’en entreprise pour des applications en production.
Apprenez à vous servir de manière performante cet outils pour l’inclure correctement dans vos projets.
Durée
.
Publics cibles
Développeurs, Chef de projet, Data scientist, Data ingénieur, Data analyste, Architecte
Pré-requis
Algorithmie, python
Objectifs
Informations
Cette formation est accessible en présentiel et à distance (classe virtuelle)
Programme détaillé
Machine Learning
- Machine Learning et ses Applications
- Deep learning et ses applications
Découverte de TensorFlow
- Tensors
- Variables vs Placeholders
- Graphe d’exécution
- Session (session, interactiveSession)
- Premier programme en TensorFlow
- Manipulation des données
- Visualisation des données avec Tensorboard
- API TensorFlow : Tf.contrib.learn
- Exécution sur CPUs vs GPUs
- Exécution sur Clusterv
- Mise en production avec TensorServing
Régression
- Cas d’usage : Prédiction des prix de vente de maisons
- Régression linéaire, multiple
- Optimisation
- Comparaison des modèles
Classification
- Cas d’usage : Classification d’images – MNIST dataset
- Régression logistique, Forêts aléatoires, ...
- Comparer les modèles
Réseaux de neurones Perceptron et multicouches
- Présentation
- Cas d’usage : Classification d’images – MNIST dataset
- Principe et fonctionnement
Réseaux de neurones à convolution (CNN)
- Présentation
- Cas d’usage : Classification d’images – MNIST dataset
- Principe et fonctionnement
Réseaux de neurones récurrents (RNN)
- Présentation
- Cas d’usage : Traitement du langage naturel
- Long Short-Term Memory (LSTM)
Réseaux de Neurones Récurrents (RNN)
- Restricted Boltzmann Machine et réseaux de neurones Autoencoders
- Présentation
- Cas d’usage : Réduction de dimension
- Restricted Boltzmann Machine (RBM)
- Deep Belief Network (DBN)