Formations Data IA Formation TensorFlow : Deep Learning & AI

Formation TensorFlow

Noté 4.4 sur 5
Logo Formation TensorFlow
Prix 2520€ HT / personne
Durée 4 jours (28 heures)
Parcours CPF

Paris | à distance | FNE

Il ne reste que quelques places
NewCafés et déjeuners offerts en interentreprises
Disponible en intra-entreprise pour former votre équipe
Je ne veux pas me déplacer ? Option classe virtuelle gratuite

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 !

Avec 25K contributeurs, Tensorflow fait partie du TOP 10 des projets les plus suivi actuellement sur GitHub et vous allez découvrir dans cette formation que ce n’est pas un hasard ! Des milliers de personnes contribuent également à ses dépendances, comme Numpy, Pytest, etc.

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 2.11, sortie en Janvier 2020 couplée à Python 3.11.

 

Objectifs

  • Découvrir les nouveautés de la v2 et être capable d’installer et d’utiliser TensorFlow 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
  • Configurer une machine pour runner des modèles de deep learning
  • Créer un pipeline de données avec data augmentation
  • Utiliser des modèles pré-construits (estimators) de TensorFlow sur un Dataset
  • Comprendre la théorie derrière les différents blocs des réseaux de neurones
  • Construire un réseau de neurones avec TensorFlow
  • Comprendre la théorie de l’entrainement d’un réseau de neurones
  • Lancer l’entrainement du réseau
  • Surveiller et affiner l’entrainement grâce à Tensorboard et à des callbacks
  • Utiliser des réseaux déjà pré-entraînés pour les appliquer à un cas précis
  • Appliquer les réseaux de neurones à différents cas d’application

 

Public visé

  • Data Analyst / Data Scientist / Data Engineer
  • Développeurs, Architectes Big Data, Lead Developer

 

Pré-requis

  • Connaissance de Python
  • Connaissances en Mathématiques (exemple : gradient)

 

Pour aller plus loin

Programme de notre formation TensorFlow version 2

 

Journée 1 matin : Manipulation de vecteurs et tenseurs avec TensorFlow

  • Installation
    • Installation de Tensorflow
    • Google Collab
  • Utiliser Tensorflow comme Numpy
    • Tenseurs et opérations
    • Variables
  • Cas d’usages
    • Huber Loss
    • Import d’images

 

Après-midi : Construire un pipeline de données

  • Tensorflow Data API
    • Concept de Dataset
    • Enchaîner les transformations
    • Shuffle de la donnée
    • Entrelacement
    • Création d’un pipeline de lecture de CSV complet
    • Optimisations
  • API de prétraitement Tensorflow
    • Utilité
    • Colonnes numériques
    • Colonnes catégorielles
    • Utilisation en tant que layer

 

Journée 2 matin : Introduction aux réseaux de neurones avec Keras

  • Keras
    • De la biologie aux neurones artificiels
    • Le neurone biologique
    • Calculs logiques avec des neurones
    • Le perceptron
    • Les MLPs et la rétropropagation
    • MLPs de régression
    • MLPs de classification
  • Implémenter des MLPs avec Tensorflow
    • Sauvegarder et restaurer un modèle
    • Utiliser des callbacks

 

Après-midi : Entraîner des Réseaux de Neurones

  • Le problème du “Vanishing Gradient”
    • Réutilisation de modèles pré-entraînés
    • Optimiseurs plus rapides
  • Mise en pratique
    • Création d’un classificateur d’image avec l’API Séquentielle
    • Création d’une régression avec l’API Séquentielle
    • Création de modèles complexes avec l’API Fonctionnelle
    • Optimisation des hyperparamètres

 

Journée 3 matin : CNN

  • La vision par ordinateur
  • L’architecture du cortex visuel
  • Les couches de convolutions
  • Les couches de Pooling
  • Les différentes architectures des réseaux de neurones convolutionnels (CNN)
  • Data Augmentation

 

Après-midi : Travaux pratique sur les Modèles

  • Implémentation d’un CNN Simple sur TensorFlow
  • Utilisation de modèles pré-entraînés
  • Modèles pré-entraînés pour du Transfer Learning
  • Classification et localisation d’objets

 

Journée 4 matin : Cas d’applications

  • Traitement des données séquentielles avec des RNNs et des CNNs
    • Les neurones et les layers récurrents
    • Entraîner un RNN
    • Prédire une série temporelle
  • Mise en pratique du Natural Language Processing with RNNs
    • Comment préparer les données textuelles ?
    • Comment séparer le dataset en de multiples fenêtres ?
    • Générer du fake Shakespear
    • Classification de texte : Analyse Sentimentale

 

Après-midi : Autoencoders

  • Representation Learning et Generative Learning avec des AutoEncodeurs et des GANs
    • Créer un PCA avec une partie d’AutoEncodeur
    • Construire un “Stacked Autoencoder” avec TensorFlow
    • Générer de faux vêtements avec des GANs

 

Module Complémentaire Tensorflow IoT – 2 jours supplémentaires (uniquement pour des formations d’équipe)

 

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 ou 18.04) ARM64
    • Les VPU / TPU
      • Intel Movidius Neural Compute Stick

 

Présentation de TensorFlow Lite Optimisation

  • Initialiser un environnement (Théorie + Exercices)
    • R1.14 (stable) ou R2.0 (stable/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 ou 18.04)
    • Optimiser (Exercices)
      • Quantization
  • Performance
    • Best practices (Théorie + Exercices)
      • Supprimer la redondance
      • Jouer avec le multi-threading

 

Module Complémentaire TensorFlow Avancé – 4 jours supplémentaires (uniquement pour des formations d’équipe)

 

Les Nouveautés TensorFlow 2.x

  • 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

Introduction au Deep Learning

Formation Pytorch

Formation Metaflow

Formation Deep Learning pour l’interprétation et le traitement d’images

Formation Deep Learning pour le traitement du langage

Formation Deep Reinforcement Learning

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.

Raphaël

Raphaël

Data Scientist

Diplômé de l’ENSTA Paris et de l’Université Paris-Saclay avec un double master en mathématiques appliquées et data science.Passionné de technique il a présenté lors de la conférence PyCon2018 un talk sur les GANs. Il est aussi contributeur Keras et créateur de tf-explain, une librairie d’interopérabilité pour TensorFlow 2.0 sur laquelle il parlera à PyData New-York en novembre 2019.

Témoignages

Noté 4 sur 5
15 septembre 2022

Bcp de pratique + échanges

Rapide

Merci au formateur !

Léa L. de chez V. MANE FILS

Afficher tous les témoignages

Noté 4 sur 5
15 septembre 2022

Bcp de pratique + échanges

Rapide

Merci au formateur !

Léa L. de chez V. MANE FILS
Noté 4 sur 5
15 septembre 2022

La structure du cours est bien pensée et le formateur est disponible et maîtrise son sujet

Format intensif de 4 jours avec peu de temps passer sur certains éléments, compréhensibles étant donné la richesse et la complexité du sujet traité

Guillaume B. de chez V. MANE FILS
Noté 4 sur 5
15 septembre 2022

Pas mal d’exercice de pratique

Je trouve que les illustrations utilisés sur les slides pour expliquer la théories manquait un peu de diversité, ou alors pas assez d’exemple « graphique » pour représenter des cas simples « pratique » de concept théoriques. ça pourrait aider pour les exercices pratiques ensuite.

Bonne ambiance et formateur très agréable à suivre.

Idée pour peut être améliorer : peut être intégrer une espèce de tableau blanc virtuel pour faire des schémas à la main (via tablette par exemple) pour aider à expliquer sur les points qui posent problèmes

Thomas K. de chez CREALETTRES
Noté 5 sur 5
15 septembre 2022

* Formation très complète sur des aspects techniques de Tensorflow,

* Mise en oeuvre sur des problèmes concrets

* Compétences du formateur

* Rythme soutenu (mais explications très claires)

* Un jour supplémentaire de formation pour aborder les techniques les plus avancées serait un plus, ou alors proposer une formation complémentaire avancée (Autoencodeur, GAN, mécanismes d’attention, réseaux CNN avancés, …)

Très bonne formation, merci encore

Rémi S. de chez SECRETARIAT GENERAL DE LA DEFENSE ET DE LA SECURITE NATIONALE
Noté 4 sur 5
15 septembre 2022

C’était très intensif mais bien structuré .

Moins de temps .

Je ne sais pas encore.

Vinamrata Y. de chez V. MANE FILS
Noté 5 sur 5
15 septembre 2022

Parcours des différentes techniques et modèles sur un large panel de problématique.

Pratique de tensorflow et de ses différentes manières d’optimiser

Manque un peu de temps sur les auto-encoder et ce qu’ils permettent.

Manque de temps/pratique sur les fonctions de cout custom.

FORMATION EXPLAINABLE AI (XAI),Renforcement

Jean-Michel B. de chez ACOEM FRANCE SAS
Noté 5 sur 5
23 juin 2022

Format de la formation : slides théoriques +mise en pratique

Romain S. de chez Autorité des Marchés Financiers
Noté 5 sur 5
23 juin 2022

Bcp de pratique

Probablement variable selon les niveaux, manquerait un jour de plus pour être à l’aise.

Iris L. de chez Autorité des Marchés Financiers
Noté 5 sur 5
23 juin 2022

Je recommande la formation

Christophe A. de chez Autorité des Marchés Financiers
Noté 5 sur 5
23 juin 2022

pratique

avoir les jeux de données prêts sur un disque externe en cas de pb de firewall, politique de sécurité contraignante etc…

Eric V. de chez Autorité des Marchés Financiers
Noté 4 sur 5
3 février 2022

Je recommande la formation

Hugo K. de chez VIVERIS TECHNOLOGIES
Noté 5 sur 5
3 février 2022

Aussi bien le niveau technique, les cours que les TD

Rien de mon point de vue

Nadia P. de chez COMMISSARIAT A L' ENERGIE ATOMIQUE ET AUX ENERGIES ALTERNATIVES
Noté 5 sur 5
3 février 2022

beaucoup de pratique

formateur efficace

formateur à l’écoute

Aucun

je ne les connais pas

1 jour de plus pour des exercices dédiés

Quiz pour la formation TensorFlow inaccessible à la fin de la formation

Sebastien T. de chez VIVERIS TECHNOLOGIES
Noté 4 sur 5
3 février 2022

Je recommande la formation

Nhon C. de chez SAGEMCOM ENERGY & TELECOM SAS
Noté 5 sur 5
18 novembre 2021

La couverture des thèmes

Pour les moins expérimentés ça va vite, mais les transparents permettent de compenser et de retravailler

je ne sais pas

Très intéressant, merci beaucoup à Thomas

Antoine L. de chez
Noté 4 sur 5
18 novembre 2021

Je recommande la formation

Hadrien E. de chez FIRCOSOFT (Accuity)
Noté 5 sur 5
18 novembre 2021

Je recommande la formation

Mechri C. de chez ASSOC TRANSFERTS TECHNOLOGIES MANS
Noté 3 sur 5
23 septembre 2021

Inadapté à une formation en distanciel

Jean S. de chez
Noté 4 sur 5
23 septembre 2021

Formation qui couvre beaucoup de points

Formation très dense

Guillaume J. de chez BOYDSENSE
Noté 4 sur 5
23 septembre 2021

Bien organisé, support de cours propres et exercices nombreux.

Sans petite expérience de ML ou de Python, très difficile de rentrer dedans, il faut au moins un des deux.

Pyspark ? Ou alors du PyTorch/Tensorflow plus poussé sur des modèles récents.

Simon B. de chez Photobox

Noter la formation

Prix 2520€ HT / personne
Durée 4 jours (28 heures)
Parcours CPF

Paris | à distance | FNE

Il ne reste que quelques places
NewCafés et déjeuners offerts en interentreprises
Disponible en intra-entreprise pour former votre équipe
Je ne veux pas me déplacer ? Option classe virtuelle gratuite

UNE QUESTION ? UN PROJET ? UN AUDIT DE CODE / D'INFRASTRUCTURE ?

Pour vos besoins d’expertise que vous ne trouvez nulle part ailleurs, n’hésitez pas à nous contacter.

ILS SE SONT FORMÉS CHEZ NOUS

partenaire sncf
partenaire hp
partenaire allianz
partenaire sfr
partenaire engie
partenaire boursorama
partenaire invivo
partenaire orange
partenaire psa
partenaire bnp
partenaire sncf
partenaire hp
partenaire allianz
partenaire sfr
partenaire engie
partenaire boursorama
partenaire invivo
partenaire orange
partenaire psa
partenaire bnp