Deep Learning avec Tenserflow Mixte : présentiel / à distance

• Comprendre les réseaux de neurones et leurs principaux paramètres
• Savoir choisir et optimiser l'architecture de réseau
• Entrainer différents types de modèles en fonction de ses données
• Savoir utiliser des modèles préexistants
• Comprendre et mettre en oeuvre des réseaux convolutifs
• Savoir mettre à jour en flux continu ses modèles
• Comprendre et mettre en oeuvre des réseaux récurrents

• Développeur, data engineer, data analyst, data scientist, chercheur, ingénieur R&D, chef de projet technique, statisticien, et toute personne travaillant dans la data et sachant manipuler du code informatique

• Connaitre un langage de programmation, idéalement python
• Un test de positionnement sera réalisé au préalable pour vérifier si vous disposez des compétences nécessaires pour suivre la formation.

• Introduction du deep learning :
  • Définition et cas d'usage
  • Pré-requis du deep learning et différences avec le machine learning
  • Terminologie et vocabulaire
• Les réseaux de neurones :
  • Perceptron, régression linéaire, régression logistique
  • Descente de gradient
  • Réseaux de neurones multi-couches
  • Entraînement d'un réseau de neurones
• Optimisation d'un réseau de neurone :
  • Pré-traitement des données : standardisation et normalisation
  • Fonctions d'activations
  • Choix d'un optimizer
  • Architecture du réseau
  • Choisir un taux d'apprentissage
  • Evaluer et valider les modèles
  • Superviser les epochs
• Réseaux de neurones convolutifs, CNN :
  • Principe d'une couche de convolution
  • Principe d'une couche de pooling
  • Cas d'utilisation pour les images
  • Architectures classiques : ResNet, VGGNet…
• Transfert learning :
  • Récupérer un réseau pré-entrainé
  • Spécialiser ce réseau sur ses propres données
  • Mise en pratique pour les images avec ImageNet
  • Mise en pratique pour les textes avec Word2Vec
• Online learning :
  • Mise à jour en temps réel des réseaux de neurone
  • Apprentissage hors-mémoire (out-of-core) pour le big data
• Mise en production :
  • Passage en production du modèle
  • Supervision et mise à jour
• Réseaux de neurones récurrents (RNN) :
  • Principe des réseaux récurrents
  • Cas d'utilisation pour le texte
  • Cas d'utilisation pour les séries temporelles
  • LSTM, GRU

Cette formation va vous permettre de maitriser les réseaux de neurones profonds et le deep learning en vous fournissant les bases théoriques nécessaires que vous mettrez en oeuvre avec des jeux de données réels sur des serveurs dotés de GPU.

La partie théorie, loin des formules mathématiques complexes, démystifiera les concepts du deep

learning et expliquera clairement leurs fonctionnements et les impacts de vos choix sur les performances du modèle final.

Les mises en pratique systématiques des concepts abordés se feront sur des exemples variés ; l'accent sera mis sur l'optimisation des modèles, mais aussi sur les bonnes pratiques à suivre et les écueils à éviter tout au long du projet, que ce soit pendant la phase de conception ou pendant la phase d'exploitation en production.

Vous créerez des réseaux convolutifs, très utilisés pour les images et les sons ; vous utiliserez le

transfer learning, qui permet d'utiliser des modèles déjà entrainés et de les spécialiser sur vos propres données ; vous concevrez des réseaux récurrents qui permettent de prendre en compte la structure séquentielles des données (langage naturel, série temporelle…) ; vous verrez comment mettre en place une mise à jour en flux continu de vos réseaux (online learning).

• Exercices concrets
• Cas pratiques
• Quiz d'évaluation des connaissances

• Positionnement en amont de la formation :
• Un quiz de consolidation des pré-requis sera administré en amont de la formation
• Suivi « pendant » :
• Feuilles de présence
• Exercices pratiques
• Évaluation « fin de formation »
• Évaluation des acquis en fin de formation
• Formulaires d'évaluation de la formation
• Évaluation à froid :
• Suivi post-formation : Questionnaire de satisfaction à j+60

• Comprendre les réseaux de neurones et leurs principaux paramètres
• Savoir choisir et optimiser l'architecture de réseau
• Entrainer différents types de modèles en fonction de ses données
• Savoir utiliser des modèles préexistants
• Comprendre et mettre en oeuvre des réseaux convolutifs
• Savoir mettre à jour en flux continu ses modèles
• Comprendre et mettre en oeuvre des réseaux récurrents

Délais d'accès à la formation

Le délai d'accès à la formation est variable en fonction du dispositif de financement utilisé, du planning des formateurs et des contraintes du client. Pour les formations inter-entreprises, vous pouvez consulter notre calendrier en ligne ou prendre contact avec nous. Nous traitons vos demandes sous 48 heures

Accessibilité

Si vous êtes en situation de handicap, merci de nous en informer afin de vous accompagner, vous orienter, et étudier les compensations nécessaires pour répondre au mieux à votre demande de formation. Certaines formations peuvent nécessiter une adaptation pour les personnes en fonction de leur handicap. Nous restons disponibles pour échanger ensemble et nous pourrons vous orienter vers un de nos partenaires : Agefiph, Cap Emploi

Contactez-nous pour échanger sur vos besoins !

✉️ formation@napsia.com

📞 05 62 84 10 13