
Formation DEEP LEARNING Avec Python et TensorFlow
Domaine : Data Science – Deep learning
DURÉE
3.0 jour(s)
OBJECTIFS
Savoir mettre en place une stratégie de Machine Learning en Python avec TensorFlow afin de créer le modèle le plus satisfaisant possible en le mesurant et en affichant les résultats, le tout en utilisant des algorithmes performants.
Pré-requis
Maîtriser les concepts de statistiques et de Machine Learning.
Participants
Développeur, chef de projets proche du développement, ingénieur scientifique sachant coder.
coût
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à GrenobleNotre centre de formation à MoiransNotre centre de formation à Sophia Antipolis
Sur votre site en formation intraEn classe distancielle
PROGRAMME DE FORMATION
DEEP LEARNING Avec Python et TensorFlow
Introduction aux Data Sciences
Qu'est-ce que la data science ?
Qu'est-ce que Python ?
Qu'est-ce que le Machine Learning ?
qu'est-ce que le Deep Learning ?
Apprentissage supervisé vs non supervisé ?
Les DataLake, DataMart et DataWharehouse
Qu'est-ce que Python ?
Qu'est-ce que le Machine Learning ?
qu'est-ce que le Deep Learning ?
Apprentissage supervisé vs non supervisé ?
Les DataLake, DataMart et DataWharehouse
Rappels de Python pour les Data Science
Les bases de Python
Les listes
Les tuples
Les dictionnaires
Les modules et packages
L'orienté objet
Le module math
Les expressions lambda
Map, reduce et filter
Les générateurs
Anaconda
PIP
Les listes
Les tuples
Les dictionnaires
Les modules et packages
L'orienté objet
Le module math
Les expressions lambda
Map, reduce et filter
Les générateurs
Anaconda
PIP
Machine Learning
Mise en place d'une machine learning supervisé
Qu'est-ce qu'un modèle et un dataset ?
Quest-ce qu'une régression ?
Les différents types de régression
La régression linéaire
Gestion du risque et des erreurs
Quartet d'Anscombe
Trouver le bon modèle
La classification
Apprentissage
No Free Lunch
Qu'est-ce qu'un modèle et un dataset ?
Quest-ce qu'une régression ?
Les différents types de régression
La régression linéaire
Gestion du risque et des erreurs
Quartet d'Anscombe
Trouver le bon modèle
La classification
Apprentissage
No Free Lunch
Numpy
Les tableaux et les matrices
L'algèbre linéaire avec Numpy
Matplotlib
L'algèbre linéaire avec Numpy
Matplotlib
TensorFlow
Installation
Le machine learning par GPU
L'API Tensorflow
Le machine learning par GPU
L'API Tensorflow
Machine Learning avec TensorFlow
Les tensors
Le typage et les shapes Tensor
Le machine Learning TensorFlow
La régression linéaire
La création du modèle
L'échantillonnage
La randomisation
L'apprentissage avec fit
La prédiction du modèle
Le typage et les shapes Tensor
Le machine Learning TensorFlow
La régression linéaire
La création du modèle
L'échantillonnage
La randomisation
L'apprentissage avec fit
La prédiction du modèle
Pandas
L'analyse des données avec Pandas
Les DataFrames
La théorie ensembliste avec Pandas
L'importation des données CSV
L'importation de données SQL
Pandas et TensorFlow
Les DataFrames
La théorie ensembliste avec Pandas
L'importation des données CSV
L'importation de données SQL
Pandas et TensorFlow
Les réseaux neuronaux
Le perceptron
Les réseaux neuronaux
Les réseaux pythons
Les fonctions d'activation
La front propagation
La back propagation
Le gradient neuronal
La deep learning
Les réseaux neuronaux
Les réseaux pythons
Les fonctions d'activation
La front propagation
La back propagation
Le gradient neuronal
La deep learning
Les réseaux neuronaux avec TensorFlow
Les modèles TensorFlow
Les limitations
Sérialisation du modèle avec Tensor
Les limitations
Sérialisation du modèle avec Tensor
Le Deep Learning avec Keras
Introduction à Keras
Keras et l'orienté objet
Les réseaux neuronaux avec Keras
Le paramétrage de Keras
Le deep learning supervisé type Alpha Go
Le deep learning non supervisé type Alpha 0
Sérialisation du modèle avec Keras
Portabilité de Keras
Dimensionnement du réseau neuronal
Keras et l'orienté objet
Les réseaux neuronaux avec Keras
Le paramétrage de Keras
Le deep learning supervisé type Alpha Go
Le deep learning non supervisé type Alpha 0
Sérialisation du modèle avec Keras
Portabilité de Keras
Dimensionnement du réseau neuronal
TensorFlow GPU
CUDA
Principe de fonctionnement d'un GPU
Application des propagations sur GPU
Paramétrage GPU
Mise en place d'une ferme de GPU
Dimensionnement du réseau neuronal GPU
Principe de fonctionnement d'un GPU
Application des propagations sur GPU
Paramétrage GPU
Mise en place d'une ferme de GPU
Dimensionnement du réseau neuronal GPU
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
formations associées