DEEP LEARNING AVEC TENSORFLOW
Maîtrisez TensorFlow 2.0 et Keras pour entraîner des réseaux de neurones sur diverses données.
Formation créée le 30/11/2022. Dernière mise à jour le 26/10/2023.
Version du programme : 1
Programme de la formation
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 œuvre 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).
Objectifs de la formation
- 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 œuvre des réseaux convolutifs
- Savoir mettre à jour en flux continu ses modèles
- Comprendre et mettre en œuvre des réseaux récurrents
Profil des bénéficiaires
- 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
Contenu de 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
- Feuilles de présence.
- Questions orales ou écrites (QCM).
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
- Accueil des apprenants dans une salle dédiée à la formation.
- Documents supports de formation projetés.
- Exposés théoriques
- Etude de cas concrets
- Quiz en salle
- Mise à disposition en ligne de documents supports à la suite de la formation.