Formation TensorFlow
2520€ HT / personne |
4 jours (28 heures) |
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)
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
- IoT et IA (Théorie)
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
- De Python à C++ (Théorie)
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
- Best practices (Théorie + Exercices)
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
Pour aller plus loin
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
Raphaël
Data Scientist
Témoignages
Je recommande la formation
Afficher tous les témoignages
Je recommande la formation
Les + : multiples cas d’usage
Les – : bien comprendre la théorie
Je souhaite suivre : opencv ?
Les + : Super formateur, formation très tournée pratique qui donne de bonnes bases en TensorFlow , on ne s’ennuie pas !
Locaux sympas.
Les – : Il manquerait un peu de théorique pour mieux comprendre les mathématiques derrière les concepts utilisés.
Bcp de pratique + échanges
Rapide
Merci au formateur !
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 passé sur certains éléments, compréhensibles étant donné la richesse et la complexité du sujet traité
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
* 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
C’était très intensif mais bien structuré .
Moins de temps .
Je ne sais pas encore.
–
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
Format de la formation : slides théoriques +mise en pratique
Bcp de pratique
Probablement variable selon les niveaux, manquerait un jour de plus pour être à l’aise.
Je recommande la formation
pratique
avoir les jeux de données prêts sur un disque externe en cas de pb de firewall, politique de sécurité contraignante etc…
Je recommande la formation
Aussi bien le niveau technique, les cours que les TD
Rien de mon point de vue
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
Je recommande la formation
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
Je recommande la formation
Je recommande la formation
Inadapté à une formation en distanciel
Formation qui couvre beaucoup de points
Formation très dense
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.
le partie pratique
pédagogie
recule sur les approches présentées
les slides
pas mal de manipulation
Les TP n’étaient pas suffisamment « guidant » pour un débutant,
La formation était à mon sens trop pointu pour quelqu’un comme moi qui souhaitait connaitre et apprendre les possibilités d’un réseau de neurone. Il me semble qu’elle est + orienté pour des personnes travaillant déjà sur le machine learning et qui souhaitent se former spécifiquement à l’outil TensorFlow. Beaucoup de TP, malheureusement on se sentait souvent démuni, et le distanciel ne permettait pas de s’entraider entre participants.
Réponse d'Ambient IT
Bonjour Gwénaël,
Je vous remercie pour votre témoignage.
Nous prenons en compte vos remarques.
Nous tenterons de modifier notre programme pour le rendre plus accessible.
Beaucoup de mise en pratique
Un peu cours pour tout voir.
mettre la signification des abrégées sur les diapos.
Elle va loin dans les détails
Les prérequis de la formation ne sont pas assez bien détaillés.
Beaucoup de pratique sur des cas concrets
Un programme très vaste sur le temps imparti
Scikit-Learn / Tensorflow Lite
Formation efficace avec beaucoup de pratique.
J’ai appris beaucoup de nouveaux algorithmes et méthodes proposés par Tensorflow que je ne connaissais pas.
Je suis ravi d’avoir suivi cette formation, notamment pour les réflexes à avoir et les bonnes pratiques qui me permettront à persévérer dans ce domaine.
Diversité du contenu
Trop de temps sur des applications pratiques sans avoir bien compris la théorie qu’il y a derrière.
/
/
Réponse d'Ambient IT
Bonjour Lucas,
Merci pour votre avis concernant la formation Tensorflow.
Nous essaierons d’équilibrer théorie et pratique lors de nos prochaines sessions.
les exercices pour mettre en pratiques.
la formation est dense et j’ai moins accroché sur le traitement automatique du language que nous n’avons pas pu tester car trop gourmand en temps de compilation
malgré le fait que la formation soit en virtuel , elle s’est tres bien passé et bravo aux formateurs qui a pris le temps de s’assurer que tout le monde suivaient.
Les + : Exhaustivité du sujet
Les – : Elle gangnerait à être plus longue, par exemple une cinquième journée. Il existe des outils mieux adaptés que GO TO MEETING pour un cours en distanciel
Je souhaite suivre : N/A
La pédagogie du formateur, il prends le temps de vérifier que tous les élèves ont bien tout compris.
–
IA avec OpenCV
Excellent formateur et équipe Ambient IT à notre écoute, avec le café chaque matin. Excellente prestation !! Bravo !
TP efficaces
/
/
/
Formateur très compétent. Cas d’utilisation intéressant pour moi
Formateur très compétent et très agréable
Tout était parfait. La formation correspondait exactement à mes attentes, et je pense pour mettre en oeuvre ce que j’ai appris dans mon entreprise.
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)
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.
Très bonne appréciation du formateur
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.!
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.
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.
Réponse d'Ambient IT
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.
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 !
J’ai appris beaucoup de choses !
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.
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.
Formation complète sur Tensorflow et gain de temps ! Formateur compétent. Il n’y a plus qu’à mettre en application.
Noter la formation
2520€ HT / personne |
4 jours (28 heures) |