Objectifs pédagogiques
- Appliquer des modèles mathématiques avec TensorFlow.
Modalités et moyens pédagogiques
Formation délivrée en présentiel ou distanciel* (e-learning, classe virtuelle, présentiel à distance).
Le formateur alterne entre méthode** démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation).
Variables suivant les formations, les moyens pédagogiques mis en oeuvre sont :
- Ordinateurs Mac ou PC (sauf pour les cours de l'offre Management), connexion internet fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour le distanciel)
- Environnements de formation installés sur les postes de travail ou en ligne
- Supports de cours et exercices
En cas de formation intra sur site externe à M2i, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires (équipements informatique...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué.
* nous consulter pour la faisabilité en distanciel
** ratio variable selon le cours suivi
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
Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation ou une certification (M2i ou éditeur)
