Formation DEEP LEARNING TensorFlow2 et KERAS
Domaine : Data Science – Deep learning
DURÉE
2 jour(s)
OBJECTIFS
Savoir mettre en place un réseau neuronal profond avec Keras et une implémentation TensorFlow ou PyTorch sous CPU et GPU. Comprendre les différents types de réseaux neuronaux comme MLP, CNN, CrNN et obtenir une intelligence artificielle très performante, par exemple dans le domaine du traitement d'image ou du son.
Pré-requis
Maîtriser les concepts de Machine Learning.
Participants
Développeur, chef de projets proche du développement, ingénieur scientifique sachant coder.
coût
Formation en cours collectif
Tarif par personne : 1300 € HT
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à Sophia AntipolisOu sur votre site en formation intra
PROGRAMME DE FORMATION
DEEP LEARNING TensorFlow2 et KERAS
Présentation de TensorFlow
Le Machine Learning par GPU
L'API TensorFlow
Le Machine Learning
L'API TensorFlow
Le Machine Learning
Les réseaux neuronaux
Le perceptron
Les réseaux neuronaux de type MLP (Multi Layer Perceptron)
Les réseaux python
Les fonctions d'activation
La front propagation
La back propagation
Le gradient neuronal
Les limitations
Les réseaux neuronaux de type MLP (Multi Layer Perceptron)
Les réseaux python
Les fonctions d'activation
La front propagation
La back propagation
Le gradient neuronal
Les limitations
Keras
Introduction à Keras
Keras et l'orienté objet
Keras et l'API fonctionnelle
Le Machine Learning Keras
Le modèle Keras
La couche Dense et les MLP
Les hyper paramètres MLP
Implémenter Keras sur TensorFlow
Topographie du réseau neuronal de type Dense
Dimensionnement du réseau
Keras et l'orienté objet
Keras et l'API fonctionnelle
Le Machine Learning Keras
Le modèle Keras
La couche Dense et les MLP
Les hyper paramètres MLP
Implémenter Keras sur TensorFlow
Topographie du réseau neuronal de type Dense
Dimensionnement du réseau
Keras sur GPU
CUDA
Principe de fonctionnement d'un GPU
L'implémentation GPU
Application des propagations sur GPU
Paramétrage GPU
Principe de fonctionnement d'un GPU
L'implémentation GPU
Application des propagations sur GPU
Paramétrage GPU
Le Deep Learning
Deep Learning vs Machine Learning
Quand un réseau devient profond ?
Le Deep Learning supervisé type Alpha Go
Le Deep Learning non supervisé type Alpha 0
Quelle quantité de données ?
Le réseau profond VGG16
Les hyper paramètres profonds
La régularisation et les problèmes d'overfitting
Le drop out et drop connect
La régularisation L1 et L2
Le stochastic gradient descent optimizer
Le pooling
Quand un réseau devient profond ?
Le Deep Learning supervisé type Alpha Go
Le Deep Learning non supervisé type Alpha 0
Quelle quantité de données ?
Le réseau profond VGG16
Les hyper paramètres profonds
La régularisation et les problèmes d'overfitting
Le drop out et drop connect
La régularisation L1 et L2
Le stochastic gradient descent optimizer
Le pooling
Les réseaux convolutifs
La théorie mathématique de convolution
Le produit de convolution
La convolution 1d et 2d
Les filtres de convolution
Topographie du réseau profond
Les réseaux convolutifs (Convulational Neuronal Network - CNN)
Implémentation d'un CNN Keras
La fonction ReLu
Les couches non Dense
Les couches de réductions
Les couches de normalisations
Les modèles pré-entrainés
Le produit de convolution
La convolution 1d et 2d
Les filtres de convolution
Topographie du réseau profond
Les réseaux convolutifs (Convulational Neuronal Network - CNN)
Implémentation d'un CNN Keras
La fonction ReLu
Les couches non Dense
Les couches de réductions
Les couches de normalisations
Les modèles pré-entrainés
Le Deep Learning avancé
La modification d’un réseau séquentiel existant
L’apprentissage par renforcement
Les réseaux ResNet
La modification d’un réseau non séquentiel type ResNet
Les réseaux Inception
Les réseaux Unet
L’apprentissage par renforcement
Les réseaux ResNet
La modification d’un réseau non séquentiel type ResNet
Les réseaux Inception
Les réseaux Unet
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
formations associées