expand_less
(...)
Vous êtes ici : Accueil > Formation L'apprentissage profond avec TensorFlow 2

Formation L'apprentissage profond avec TensorFlow 2

Utiliser la bibliothèque open source de Machine Learning et Deep Learning

La course à la reconnaissance faciale ou vocale que se sont livrées les GAFAM dans le courant des années 2000 a largement contribué à la maturité des outils d’apprentissage profond. Aussi, les traitements statistiques appliqués aux réseaux de neurones génèrent maintenant de bons résultats en termes de prédiction ou d’estimation. Développé par Google, le framework TensorFlow offre aux développeurs une interface graphique leur permettant simplement d’entraîner et d’exécuter des réseaux de neurones pour de multiples applications (reconnaissance d’image, traduction automatique, complétions automatique, ...). A l’issue de cette formation, les participants maîtriseront les méthodes de manipulation de TensorFlow pour implémenter des réseaux de neurones artificiels et ainsi développer les programmes innovants pouvant répondre aux besoins de leurs entreprises.

Objectifs de cette formation

L'apprentissage profond avec TensorFlow 2
  • Comprendre l’écosystème TensorFlow dans sa nouvelle version 2
  • Être capable de maîtriser pas à pas ses fonctionnalités de la création à la mise en service d’un modèle d’apprentissage profond (deep learning)

Public

  • Chefs de projet et Data-scientists souhaitant comprendre le fonctionnement de TensorFlow

Pré-requis

Programme détaillé

Introduction et fondamentaux

  • Rappels : Que peuvent apprendre les machines ?
  • Rappels : Les quatre piliers de l’apprentissage machine
  • Publication Google research - 2015
  • Changements majeurs de la version 2 de Tensorflow (TF)
  • Nouvelle architecture TF
  • TF code v2 vs v1
  • Tenseurs
  • Graphes computationnels
  • Eager execution
  • L’abstraction Keras
  • Lab : Tutoriels sur l’évolution du codage TF1.x et TF2.x
  • Lab : Présentation du projet Fil Rouge

Chargement et préparation des données avec TensorFlow

  • Pipeline de données de référence
  • Création de TFRecords
  • Le protocole de messages tf.Example
  • Les jeux de données TF (datasets)
  • Création de datasets à partir de TFRecords
  • Création de datasets à partir d’éléments en mémoire
  • Transformation de datasets
  • Le brassement et la répétition de datasets
  • Le travail par lot (Batching)
  • La pré-extraction (Prefetching)
  • Lab : Tutoriels sur la création et la transformation d’un dataset
  • Lab : Atelier sur le chargement et la préparation des données pour le projet Fil Rouge

Modélisation avec tf.KERAS

  • Création de modèles : Modélisation Keras ; Méthodes communes aux APIs ; Modélisation séquentielle ; Modélisation fonctionnelle ; Compilation et entraînement Keras ; Les hooks Callbacks de l’API keras.fit() ; Sauvegarde et Chargement de modèles tf.keras
  • Les couches neuronales : Les couches neuronales de l’API Keras ; Les différentes couches neuronales de Keras ; Méthodes communes ; Les couche coeurs de l’API KERAS (couches d’activation ; couches DropOut) ; Les couches convolutives (padding et formulation ; standardisation ;séparations spatiales et en profondeur ; pooling) ; Les couches récursives (L’API dédiée ; architecture de base d’un RNN ; cellules RNNs et ses variantes ; topologies communes des RNNs ; variante encodeur-décodeur ; le mécanisme Attention)
  • Lab : Tutoriels autour de l’API tf.Keras : création de modèles, couches coeurs, convolutives et récursives
  • Lab : Atelier de développement du modèle d’apprentissage dans le cadre du projet Fil Rouge

Modélisation avec des APIs plus avancées

  • L’API tf.estimator() (conversion d’un modèle Keras en Estimator)
  • L’apprentissage ad-hoc : Enjeux ; Pistage du Gradient ; Décoration de fonctions ; Gradients ad hoc
  • L’apprentissage distribué : Calcul distribué avec TF2 ; Types de stratégies TF 2.0 ; Statut de développement ; Focus stratégie de distribution en Miroir ; Autres modes
  • Tensorboard : CallBack et Invocation de TensorBoard (TB) ; Visualisation d’éléments clés avec TB ; Réglage des hyperparamètres avec TB ; L’outil What-IF de TB ; L’outil de profilage TB
  • Lab : Tutoriels sur l’apprentissage ad-hoc
  • Lab : Atelier d’implémentation d’apprentissage ad-hoc dans le projet Fil Rouge

Inférence (Mise en service des modèles)

  • Préparation de la mise en service : Notion d’inférence ; La phase d’inférence dans le processus ML ; Artéfact de modèle TF (le format SavedModel) ; Behind the scenes - la modélisation en flux de données ; tf.function et tf.autograph ; Exportation de modèle ; L’interface en ligne de commande SavedModel
  • Mise en service : Les types de mise en service TF2 ; TensorFlow Serving ; TensorFlow.JS ; TensorFlow Lite ; AIY avec TensorFlow
  • Lab : Tutoriels sur la mise en service de modèles Tensorflow
  • Lab : Atelier sur la mise en service du modèle créé dans le projet Fil Rouge

Les plus de cette formation

L'apprentissage profond avec TensorFlow 2
  • Un tour d'horizon complet de l’écosystème TensorFlow 2.
  • Une focalisation sur la mise en oeuvre d’algorithmes profonds à l’aide des librairies et APIs TensorFlow.
  • Des ateliers d’expérimentation du framework sur des cas concrets.

Informations

Dimension Digitale

  • Durée : 3 Jours (21h)
  • Tarif : 2 050 € HT
  • Réf. : BI054


Dates des sessions

Bon à savoir...







= une réponse possible
= plusieurs réponses possibles

Vous n'avez pas répondu à toutes les questions !
Vous avez % de bonnes réponses, vous pouvez donc suivre cette formation.
Vous avez % de bonnes réponses.
Nous vous invitons à contacter nos Conseillers Formation au 0825 07 6000 afin qu'ils vous orientent vers une formation plus adaptée à vos connaissances.

Nos partenaires technologiques