Formation Data Science avancée avec TensorFlow – Centre de formation M2i
M2i Formation

Découvrez notre formationData Science avancée avec TensorFlow

Présentiel

3 jours (21 heures) - BIG-TFW

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

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.

Paris La Défense25/05/20201 980 € HTDates proposées dans les agences M2iRéserver
Paris La Défense28/09/20201 980 € HTDates proposées dans les agences M2iRéserver

Sessions
planifiées
Sessions
ouvertes
Sessions
confirmées
Réserver
le stage

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

Complétez votre formation