Accueil    Formations    Informatique    Big Data    Data Science    Data Science avancée avec TensorFlow

Partager cette formation Télécharger au format pdf Ajouter à mes favoris

Objectifs pédagogiques

  • Appliquer des modèles mathématiques avec TensorFlow.

Niveau requis

Avoir des connaissances avancées en statistiques, en Python et en Machine Learning.

Public concerné

Statisticiens, consultants Big Data, data analysts, data scientifiques.

Programme

Jour 1

Machine Learning : les fondamentaux

  • Introduction au Machine Learning
  • Les modèles du Machine Learning
  • Deep Learning
  • AutoML

Machine Learning (ML) et Recursive Neural Networks (RNN)

  • ML et RNN
  • Backpropagation
  • Long Short-Term Memory (LSTM)

Introduction à TenserFlow

  • Présentation de TensorFlow
  • Installation
  • Introduction à Python
Exemple de travaux pratiques (à titre indicatif)
  • Premier pas

Bases de TensorFlow

  • Création, initialisation, enregistrement et restauration de variables TensorFlow
  • Alimentation, lecture et préchargement des données TensorFlow
  • Comment utiliser TensorFlow ?
  • Infrastructure pour former des modèles à l'échelle
  • Visualisation et évaluation des modèles avec TensorBoard

Jour 2

Machine Learning avec TensorFlow

  • Régression avec TensorFlow
  • Régression linéaire et multiple
  • Optimisation
  • Comparaison des modèles
  • Classification avec TensorFlow
  • Régression logistique, forêts aléatoires...
  • Comparer les modèles
Exemples de travaux pratiques (à titre indicatif)
  • Régression : prédiction des prix de vente de maisons
  • Classification : classification d'images et MNIST dataset

Jour 3

Deep Learning

  • Réseaux de neurones Perceptron et multicouches
    • Motivation
    • Cas d'usage : classification d'images - MNIST dataset
    • Principe et fonctionnement
  • Réseaux de neurones à convolution (CNN)
    • Motivation
    • Cas d'usage : classification d'images - MNIST dataset
    • Principe et fonctionnement
  • Réseaux de neurones récurrents (RNN)

    • Motivation
    • Cas d'usage : traitement du langage naturel
  • Long Short-Term Memory (LSTM)
  • Réseaux de Neurones Récurrents (RNN)
Exemples de travaux pratiques (à titre indicatif)
  • Classification avec les réseaux multicouches
  • Reconnaissance d'images avec les réseaux à convolution
  • Traitement de langage naturel (NLP) avec les réseaux récurrents

Apprentissage par renforcement

  • Principe et cas d'utilisation
  • Optimiser les récompenses
  • Apprentissage Q

Utilisation avancée

  • Les threads et les files
  • Traitement distribué avec TensorFlow
  • Ecrire la documentation et partager le modèle
  • Personnaliser les lecteurs de données
  • Utilisation des GPU
  • Manipulation des modèles à partir des fichiers dans TensorFlow

Partager cette formation Télécharger au format pdf Ajouter à mes favoris

Vous souhaitez suivre cette formation ?

Cette formation est disponible en présentiel ou en classe à distance, avec un programme et une qualité pédagogique identiques.

Choisissez la modalité souhaitée pour vous inscrire :

Modalité Présentiel, Classe à distance

Votre société a besoin d'une offre personnalisée ? Contactez-nous

Faites-nous part de votre projet de formation, nous sommes là pour vous guider.

Contactez-nous