Formation deep Learning avec TensorFlow

Formation Deep Learning avec TensorFlow

[Jour 1 – Matin]

Architecture et Fondamentaux de TensorFlow

• Comprendre l’écosystème TensorFlow 2.x et l’intégration de Keras
• Manipulation des Tensors et opérations mathématiques distribuées
• Gestion de la mémoire et accélération matérielle (GPU/TPU)
• L’API tf.data : créer des pipelines de données performants
• Lecture de formats complexes (TFRecord) et transformation à la volée
• Atelier pratique : Construction d’un pipeline de données optimisé pour un dataset massif.

[Jour 1 – Après-midi]

Réseaux de neurones denses et API Keras

• API Sequential vs API Functional : quand et pourquoi choisir ?
• Couches denses, fonctions d’activation et initialisation des poids
• Compilation du modèle : Loss functions, Optimizers (Adam, SGD) et Metrics
• Gestion des callbacks : EarlyStopping, ModelCheckpoint et TensorBoard
• Atelier pratique : Création et entraînement d’un classifieur multiclasse sur données tabulaires.

Entraînement avancé et Customisation

• Écrire des boucles d’entraînement personnalisées avec tf.GradientTape
• Création de couches et de modèles personnalisés via le sous-classement (Subclassing)
• Gestion des gradients et stabilisation de l’apprentissage
• Atelier pratique : Implémentation d’une fonction de coût personnalisée pour un problème spécifique.

[Jour 2 – Matin]

Vision par Ordinateur avec les CNN

• Architecture des réseaux de neurones convolutifs (CNN)
• Convolutions, Pooling, Padding et Stride
• Techniques d’augmentation de données (Data Augmentation) en temps réel
• Utilisation de modèles pré-entraînés et Transfer Learning
• Fine-tuning stratégique des dernières couches
• Atelier pratique : Reconnaissance d’objets complexes avec un modèle ResNet pré-entraîné.

[Jour 2 – Après-midi]

Séquences et séries temporelles

• Réseaux récurrents (RNN) et cellules LSTM / GRU
• Traitement de séquences de longueur variable
• Mécanismes d’Attention et introduction aux Transformers
• Prédiction de séries temporelles (Forecasting)
• Atelier pratique : Prédiction de tendances sur des données de séries chronologiques.

Optimisation et Régularisation

• Lutte contre le sur-apprentissage : Dropout, Batch Normalization, L1/L2
• Recherche d’hyperparamètres avec Keras Tuner
• Visualisation avancée avec les outils de diagnostic de TensorBoard
• Atelier pratique : Optimisation fine d’un modèle pour maximiser la généralisation.

[Jour 3 – Matin]

Deep Learning Avancé et NLP

• Embeddings et vectorisation de texte
• Utilisation de TensorFlow Hub pour réutiliser des composants
• Introduction aux architectures d’auto-encodeurs
• Gestion des entrées multiples et sorties multiples
• Atelier pratique : Analyse de sentiments sur des critiques textuelles.

[Jour 3 – Après-midi]

Déploiement et Industrialisation

• Exportation de modèles au format SavedModel
• Introduction à TensorFlow Serving pour l’inférence via API
• Optimisation pour mobile et embarqué avec TensorFlow Lite
• Quantification de modèles pour réduire la taille et augmenter la vitesse
• Atelier pratique : Export et déploiement d’un modèle dans un conteneur d’inférence.

Monitoring et Maintenance

• Surveillance de la dérive des données (Data Drift) en production
• Mise en place de tests de régression pour les modèles
• Automatisation des pipelines avec TensorFlow Extended (TFX) – Panorama
• Atelier pratique : Projet final – Conception, entraînement et export d’un pipeline complet.