Formation TensorFlow

4,6 rating
Logo Formation TensorFlow

2700€

2430€ HT / personne

4 jours (28 heures)

Paris
Il ne reste que quelques places
Disponible aussi en intra-entreprise pour former votre équipe.

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.

 

Formez-vous dès maintenant au Framework IA de Référence !

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 stable de TensorFlow 1.13.1 couplée à Python 3.7 ainsi que les nouveautés de la version alpha de TensorFlow 2.0.

 

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 grâce à TensorFlow

 

Public visé

Développeurs, Architectes, Big Data Data analyst / Data scientist

 

Pré-requis

  • Connaissance de Python

 

Pour aller plus loin

 

Programme de la formation TensorFlow

 

Nouveautés TensorFlow 2.0

  • Construction de modèle facile avec l’API Keras
  • Déploiement de modèles robustes en production sur n’importe quelle plate-forme
  • Nettoyage des API obsolètes et réduction des duplications
  • Itération immédiate et un débogage intuitif
  • Nouvelles extensions
    • Tensors Ragged
    • TensorFlow Probability
    • Tensor2Tensor
  • Module de Compatibilité à TensorFlow 1
    • tensorflow.compat.v1

 

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

 

Module Complémentaire Tensorflow IoT – 2 jours supplémentaires

 

TensorFlow appliqué à l’IoT

  • Pourquoi utiliser un système l’embarqué ?
    • IoT et IA (Théorie)
      • État de l’art : Exemples concrets et possibilités d’application de l’AI à IoT
      • Les deux principales architectures
        Cloud AI (Théorie)
        Exemples avec Google Cloud
      • On device inference (Théorie)
        Exemples d’applications sur Raspberry Pi

 

TENSORFLOW

  • Une brève revue
  • Contrainte
    • De Python à C++ (Théorie)
      • Python 3.X et n’importe quelle version de C++, en utilisant Bazel
    • Hardware (Théorie)
      • Raspberry (Ubuntu 16.04) & ARM64
    • Les TPU
      • Intel Movidius™ Neural Compute Stick

 

Présentation de TensorFlow Lite & Optimisation

  • Initialiser un environnement (Théorie + Exercices)
    • R1.13 (stable) ou R2.0 (preview)
  • Workflow
    • Présentation globale (Théorie)
    • Obtenir un modèle (Exercices)
      • Exemple avec InceptionV3
    • Convertir (exercices)
      • Utilisation de TensorFlow Lite Converter
      • Charger le graphique en C++
    • Déployer et appliquer
      • Sur un système Ubuntu (16.04)
    • Optimiser (Exercices)
      • Quantization
  • Performance
    • Best practices (Théorie + Exercices)
      • Supprimer la redondance
      • Jouer avec le multi-threading
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

    4,0 rating
    28 février 2019

    Formateur à l’écoute.
    Pédagogie fondée sur du concret.
    Bon équilibre pratique et théorique
    Bon esprit de groupe.
    Points d’amélioration:
    Certains éléments auraient pu être plus détaillés sur le côté théorique pour en faciliter l’explication. (ex: les différentes tailles dans les CNN ou la convolution transposée)

    Amaury de chez GE Medical Systems
    Afficher tous les témoignages
    4,0 rating
    28 février 2019

    Formateur à l’écoute.
    Pédagogie fondée sur du concret.
    Bon équilibre pratique et théorique
    Bon esprit de groupe.
    Points d’amélioration:
    Certains éléments auraient pu être plus détaillés sur le côté théorique pour en faciliter l’explication. (ex: les différentes tailles dans les CNN ou la convolution transposée)

    Amaury de chez GE Medical Systems
    5,0 rating
    28 février 2019

    Personnellement j’aurais apprécié plus de théorie et de travail sur les concepts. Cela dit la formation porte sur l’outil Tensorflow et de ce point de vue, nous avons vu un large panel de problématique.

    Olivier de chez Orange
    5,0 rating
    28 février 2019

    Très bonne appréciation du formateur

    Gil de chez PPRS Research
    5,0 rating
    20 décembre 2018

    Globalement content de cette formation.
    Je suis quelqu’un qui aime bien tout comprendre et savoir comment les choses fonctionnent.
    Je savais qu’il s’agissait d’un domaine très complexe avec des problématiques compliquées et tout était nouveau pour moi.
    J’ai appris pas mal de choses et Maxence a su vulgariser les 2-3 méthodes que l’on a utilisées. Il a su m’ouvrir l’esprit sur ce qu’il est possible de faire en Deep learning avec Tensorflow et sur tout l’écosystème. Les notions basiques sont acquises et j’ai globalement compris le reste.
    Les problèmes étaient complexes et le domaine gigantesque, je prends donc cette formation comme une ouverture et un boost pour me permettre de me lancer dans les problématiques IA au sein de mon entreprise. Je compte faire une autre formation de machine learning simple ( pas deep) pour m’ouvrir un maximum les horizons.
    Néanmoins je trouve que ça manquait de professionnalisme. Maxence est très gentil et smart, mais je pense qu’il est toujours possible de mieux préparer les exercices de manière à ce que l’on fonctionne en vrai TP. Il aurait peut-être mieux valu nous laisser faire dans certains cas, sans son aide pour qu’on avance. Ça n’a pas posé plus de problème que ça ceci dit.
    Je sors avec cette impression que j’ai appris 1% de ce qui se fait, et que j’ai beaucoup de travail alors c’est très frustrant, mais ça me motive aussi.!

    Jules T. chez Bureaux A Partager
    5,0 rating
    19 octobre 2018

    3 jours étaient suffisants.
    Après dans ce genre de formation, on aimerait bien aller plus en profondeur dans certaines techniques et/ou choix, mais qui nécessiterait beaucoup plus de temps.

    David D. chez AirLiquide
    Noter la formation

    2700€

    2430€ HT / personne

    4 jours (28 heures)

    Paris
    Il ne reste que quelques places
    Disponible aussi en intra-entreprise pour former votre équipe.

    Une question ? Un projet ?

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