Formation TensorFlow

Logo Formation TensorFlow

2700€

2430€HT/ personne

4 jours (28 heures)

Interentreprises

­Paris

Disponible en intraentreprise pour former votre équipe.

rIl ne reste que quelques places

Présentation

TensorFlow est devenu en un temps record l’un des frameworks de référence pour le Deep Learning et l’Intelligence Artificielle, utilisé aussi bien dans la recherche qu’en entreprise pour des applications en production.

Découvrez comment résoudre des problèmes difficiles de Machine Learning avec la nouvelle librairie Open Source Tensorflow, le système révolutionnaire de Google d’apprentissage profond. Cette formation pratique vous montre comment construire, et quand utiliser, des architectures d’apprentissage profond. Vous apprendrez comment concevoir des systèmes capables de détecter des objets dans des images, comprendre la parole humaine, analyser la vidéo et prédire certains phénomènes. Nous aborderons ces concepts à travers des exemples pratiques afin que vous puissiez utiliser cette technologie dans vos projets Big Data. La formation AI & Deep Learning avec Tensorflow abordera les réseaux de neurones (convolutional neural networks). Vous maîtriserez également les concepts clés tels que la fonction SoftMax, les réseaux neuronaux à code automatique (Autoencoder Neural Networks), les réseaux récurrents, la machine Boltzmann restreinte (RBM, Restricted Boltzmann Machine).

Comme dans toutes nos formations, celle-ci vous présentera la toute dernière version de TensorFlow (à la date de rédaction de l’article : TensorFlow 1.11).

 

Objectifs

  • Être capable d’installer et d’utiliser TensorFlow et ses nouveautés de manière autonome
  • Comprendre le concept de Deep Learning et être capable de l’utiliser avec TensorFlow
  • Manipuler des volumes importants de données en utilisant les bonnes pratiques grace à TensorFlow

 

Public visé

Développeurs, Architectes, Big Data Data analyst / Data scientist

 

Pré-requis

  • Connaissance de Python

 

Programme de la formation TensorFlow

Comprendre le Deep Learning

  • Deep Learning : La révolution de l’Intelligence Artificielle
  • Les limites du Machine Learning
  • Avantages du Deep Learning face au Machine learning
  • Les raisons de passer au Deep
  • Exemples de la vie réelle et scénarios applicables
  • Les Math derrière le Machine Learning : Linear Algebra
    • Scalars
    • Vectors
    • Matrices
    • Tensors
    • Hyperplanes
  • Les Math derrière le Machine Learning : Statistics
    • Probability
    • Conditional Probabilities
    • Posterior Probability
    • Distributions
    • Samples vs Population
    • Resampling Methods
    • Selection Bias
    • Likelihood
  • Les algorithmes du Machine Learning
    • Regression
    • Classification
    • Clustering
  • Reinforcement Learning
  • Underfitting & Overfitting
  • Optimization
  • Convex Optimization

 

TensorFlow

  • Définition : Neural Networks
  • Biological Neuron
  • Perceptron
  • Multi-Layer Feed-Forward Networks
  • Apprentissage Neuronal (Learning Neural Networks)
  • Backpropagation Learning
  • Gradient Descent
  • Stochastic Gradient Descent
  • Quasi-Newton Optimization Methods
  • Generative vs Discriminative Models
  • Activation Functions
    • Linear
    • Sigmoid
    • Tanh
    • Hard Tanh
    • Softmax
    • Rectified Linear
  • Loss Functions
  • Loss Function Notation
  • Loss Functions for Regression
  • Loss Functions for Classification
  • Loss Functions for Reconstruction
  • Hyperparameters
  • Learning Rate
  • Regularization
  • Momentum
  • Sparsity

 

Comprendre les réseaux neuronaux

  • Defining Deep Learning
  • Defining Deep Networks
  • Common Architectural Principals of Deep Networks
  • Reinforcement Learning application in Deep Networks
  • Parameters
  • Layers
  • Activation Functions – Sigmoid, Tanh, ReLU
  • Loss Functions
  • Optimization Algorithms
  • Hyperparameters

 

Convolutional Neural Network (CNN Algorithm)

  • Introduction à CNN
  • Mise en application et architecture d’un CNN
  • Couches de convolution : Pooling layers in a CNN
  • Couches de convolution et de mise en commun dans une CNN
  • Comprendre et visualiser un CNN
  • Transfert d’apprentissage et mise au point des réseaux de neurones convolutionnels

 

Recurrent Neural Networks (RNN Algorithm)

  • Introduction au RNN Model
  • Cas d’utilisation du RNN
  • Modelling sequences
  • Apprentissage RNNs avec Backpropagation
  • Long Short-Term memory (LSTM)
  • Recursive Neural Tensor Network Theory
  • Recurrent Neural Network Model

 

RBM & Autoencoders

  • Restricted Boltzmann Machine
  • Applications de RBM
  • Collaborative Filtering avec RBM
  • Introduction à l’Autoencoders
  • Autoencoders applications
  • Comprendre et utiliser Autoencoders
  • Variational Autoencoders
  • Deep Belief Network
Langues et Lieux disponibles

Langues

  • Français
  • Anglais / English

Lieux

  • France entière
    • Paris
    • Lille
    • Reims
    • Lyon
    • Toulouse
    • Bordeaux
    • Montpellier
    • Nice
    • Sophia Antipolis
    • Marseille
    • Aix-en-Provence
    • Nantes
    • Rennes
    • Strasbourg
    • Grenoble
    • Dijon
    • Tours
    • Saint-Étienne
    • Toulon
    • Angers
  • Belgique
    • Bruxelles
    • Liège
  • Suisse
    • Genève
    • Zurich
    • Lausanne
  • Luxembourg

Nos Formateurs Référents

Maxence

Maxence

Entrepreneur spécialiste en Intelligence Artificielle, il est le co-fondateur et CTO de Boby, un assistant personnel d’un nouveau genre. Son temps se divise entre du développement d’architectures de réseaux de neurones très orientés vers le domaine du NLP et du développement serveur en NodeJS.

Témoignages

29 juin 2018

Bonne appréciation globale de la formation, formateur compétent et à l’écoute du groupe. Avoir les différents exercices déjà prêts aurait aidé à gagner du temps, et de se concentrer sur les problématiques de ML.

Adnan A. chez 4Dconcept

Afficher tous les témoignages

29 juin 2018

Bonne appréciation globale de la formation, formateur compétent et à l’écoute du groupe. Avoir les différents exercices déjà prêts aurait aidé à gagner du temps, et de se concentrer sur les problématiques de ML.

Adnan A. chez 4Dconcept

Réponse d'Ambient Formations

Bonjour Adnan, et merci pour votre commentaire, cela nous aide beaucoup à améliorer notre formation. Maxence a pour habitude de créer du contenu différent, en fonction du groupe, mais aussi de l’actualité. Lors de la formation, c’est donc la Coupe du Monde qui a été mise en avant.

28 juin 2018

Formation riche, permet d’acquérir les bonnes bases pour utiliser Tensorflow. Equipe sympathique et serviable. Bonne conditions de travail, ordinateurs, climatisation, boissons et gâteaux. Merci !

Patrick T. chez Safran

28 juin 2018

J’ai appris beaucoup de choses !

Samuel B. chez Université Catholique de Lille

26 janvier 2018

Malgré son jeune age et ses connaissances légères en théorie, Max a su captiver mon attention à travers sa veille technologique, sa franchise et ses hacks.

ZERYAB M. MOSS / THALES R.S

26 janvier 2018

On touche beaucoup à Tensorflow, on a le temps de se confronter au premiers écueils avec l’aide du formateur. On finit par comprendre les différents types de réseaux de neurones entrevus dans la partie théorique. Le formateur parle de manière posée, sa manière de présenter est adaptée. Concernant le contenu, la maîtrise de l’environnement et du monitoring devrait être plus développée, avec une partie du cours théorique dédié vraiment à ces APIs.

Arnaud B. MOSS/ THALES R.S

4 août 2017

Formation complète sur Tensorflow et gain de temps ! Formateur compétent. Il n’y a plus qu’à mettre en application.

Alexis D. chez DeerCoders

Noter la formation

2700€

2430€HT/ personne

4 jours (28 heures)

Interentreprises

­Paris

Disponible en intraentreprise pour former votre équipe.

rIl ne reste que quelques places

Une question ? Un projet ?

Pour des informations complémentaires, n’hésitez pas à nous contacter.