Aller au contenu
Demander un devis
Intelligence artificielle (IA) 💰 CPF éligible

Deep Learning avec TensorFlow

Avancé
présentiel, distanciel

Objectifs pédagogiques

  • Créer des réseaux de neurones.
  • Créer des réseaux de neurones.
  • Entraîner et évaluer des modèles.
  • Entraîner et évaluer des modèles.
  • Utiliser les APIs TensorFlow avancées.
  • Utiliser les APIs TensorFlow avancées.
  • Déployer et monitorer des modèles DL.
  • Déployer et monitorer des modèles DL.

Programme détaillé

Module 1 Comprendre les principes du Deep Learning avec TensorFlow
  • Comprendre les principes fondamentaux du Deep Learning.
  • Identifier les cas d’usage adaptés aux réseaux neuronaux.
  • Situer TensorFlow dans l’écosystème des frameworks Deep Learning.
Module 2 Manipuler les tenseurs et les données avec TensorFlow
  • Comprendre le rôle des tenseurs dans TensorFlow.
  • Manipuler les structures de données utilisées par les modèles.
  • Préparer les données sous une forme compatible avec l’entraînement.
Module 3 Préparer les données pour l’entraînement
  • Structurer les données pour l’entraînement d’un modèle TensorFlow.
  • Préparer un jeu d’entraînement, de validation et de test.
  • Construire un pipeline de données fiable et reproductible.
Module 4 Créer un premier réseau de neurones avec Keras
  • Construire une première architecture de réseau neuronal.
  • Compiler, entraîner et tester un modèle simple.
  • Comprendre le rôle des couches, de la fonction de perte, de l’optimiseur et des métriques.
Module 5 Entraîner et évaluer un modèle Deep Learning
  • Mettre en œuvre un entraînement structuré avec TensorFlow/Keras.
  • Suivre les métriques d’apprentissage.
  • Évaluer la capacité de généralisation du modèle.
Module 6 Optimiser les architectures et les hyperparamètres
  • Améliorer les performances d’un modèle TensorFlow.
  • Ajuster les hyperparamètres.
  • Utiliser les mécanismes de régularisation et d’optimisation.
Module 7 Utiliser les APIs TensorFlow avancées
  • Utiliser des APIs TensorFlow avancées.
  • Personnaliser certains composants d’un modèle.
  • Comprendre les cas où l’API standard doit être étendue.
Module 8 Sauvegarder, exporter et préparer un modèle au déploiement
  • Sauvegarder un modèle TensorFlow.
  • Exporter un modèle dans un format exploitable.
  • Préparer un modèle pour l’inférence.
Module 9 Déployer et monitorer un modèle Deep Learning
  • Comprendre les principes de déploiement d’un modèle TensorFlow.
  • Identifier les indicateurs à surveiller après déploiement.
  • Mettre en place une logique de monitoring adaptée.
Module 10 Cas pratique de synthèse
  • Mobiliser l’ensemble des acquis de la formation.
  • Construire, entraîner, optimiser et préparer au déploiement un modèle TensorFlow.
  • Présenter et justifier les choix réalisés.

Prérequis

  • Connaissances en Python, ML et mathématiques

Public visé

  • Data scientists, AI engineers

Modalités de la formation

  • 📍 Format : présentiel, distanciel
  • 📊 Niveau d'entrée : Avancé
  • 👥 Effectif : 4 à 12 stagiaires (groupe restreint)
  • 🎯 Pédagogie : Apports théoriques, exercices pratiques, études de cas, projet fil rouge
  • ♿ Accessibilité : Formations accessibles aux personnes en situation de handicap. Contactez notre référent handicap.
🏆
Passage de la certification obligatoire

Cette formation se conclut par le passage d'une certification officielle, indispensable à la validation de votre parcours.

Allez plus loin

Formations similaires

Dans le même domaine et au niveau Avancé.

👀 Cross-sell

Les apprenants ont aussi consulté

D'autres formations populaires qui pourraient compléter votre parcours.