Formation Deep Learning par la pratique


Formation Deep Learning par la pratique

Catalogue : Big Data, Intelligence Artificielle



Introduction
• Créer un premier graphe et l’exécuter dans une session.
• Cycle de vie de la valeur d’un nœud.
• Manipuler des matrices. Régression linéaire. Descente de gradient.
• Fournir des données à l’algorithme d’entraînement.
• Enregistrer et restaurer des modèles. Visualiser le graphe et les courbes d’apprentissage.
Démonstration
Présentation des exemples de Machine Learning en classification et régression.
Introduction aux réseaux de neurones artificiels
• Entraîner un PMC (Perceptron MultiCouche) avec une API TensorFlow de haut niveau.
• Entraîner un PMC (Perceptron MultiCouche) avec TensorFlow de base.
• Régler précisément les hyperparamètres d’un réseau de neurones.
Entraînement de réseaux de neurones profonds
• Problèmes de disparition et d’explosion des gradients.
• Réutiliser des couches pré-entraînées.
• Optimiseurs plus rapides.
• Éviter le sur-ajustement grâce à la régularisation.
• Recommandations pratiques.
Travaux pratiques
Mise en œuvre d'un réseau de neurones à la manière du framework TensorFlow.
Réseaux de neurones convolutifs
• L’architecture du cortex visuel.
• Couche de convolution.
• Couche de pooling.
• Architectures de CNN.
Travaux pratiques
Mise en œuvre des CNN en utilisant des jeux de données variés.
Deep Learning avec Keras
• Régression logistique avec Keras.
• Perceptron avec Keras.
• Réseaux de neurones convolutifs avec Keras.
Travaux pratiques
Mise en œuvre de Keras en utilisant des jeux de données variés.
Réseaux de neurones récurrents
• Neurones récurrents. RNR de base avec TensorFlow.
• Entraîner des RNR. RNR profonds.
• Cellule LSTM. Cellule GRU.
• Traitement automatique du langage naturel.
Travaux pratiques
Mise en œuvre des RNN en utilisant des jeux de données variés.
Autoencodeurs
• Représentations efficaces des données.
• ACP avec un autoencodeur linéaire sous-complet.
• Autoencodeurs empilés. Pré-entraînement non supervisé.
• Autoencodeurs débruiteurs. Autoencodeurs épars. Autoencodeurs variationnels. Autres autoencodeurs.
Travaux pratiques
Mise en œuvre d'autoencodeurs en utilisant des jeux de données variés.

 

Fiche de la formation



 Cible :

Ingénieurs/Chefs de projet IA, consultants IA et toute personne souhaitant découvrir les techniques Deep Learning dans la résolution de problèmes industriels.


 Prérequis :

Bonnes connaissances en statistiques. Bonnes connaissances du Machine Learning, connaissances équivalentes à celles apportées par le cours Machine Learning, méthodes et solutions. Expérience requise.


 Durée : 3 jours

 Type : Stage pratique


 Contactez-nous