Description de la formation

La formation Deep Learning avec TensorFlow s’adresse aux professionnels en informatique, data science et IA souhaitant maîtriser les réseaux de neurones profonds. En 21 heures, vous apprenez à concevoir, entraîner et déployer des modèles de deep learning performants avec TensorFlow, framework incontournable du secteur.

Au programme : architectures de réseaux de neurones, traitement d’images et texte, optimisation des modèles et bonnes pratiques en production. Vous acquérez des compétences opérationnelles immédiatement valorisables en entreprise, avec un accent sur les cas d’usage réels et les techniques avancées.

Proposée en distanciel et présentiel, cette formation bénéficie d’un accompagnement individualisé pour adapter le parcours à votre contexte professionnel. Elle est éligible CPF, OPCO et France Travail, facilitant son financement. ESIC, organisme certifié Qualiopi, garantit la qualité pédagogique et l’excellence de votre montée en compétences en intelligence artificielle.

Objectifs pédagogiques

Créer des réseaux de neurones.
Entraîner et évaluer des modèles.
Utiliser les APIs TensorFlow avancées.
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

⏱ Durée : 21h
📍 Format : 100% en ligne (distanciel synchrone) · Présentiel (Malakoff / Paris)
💰 Financements éligibles : OPCO · France Travail · Plan entreprise · Autofinancement
📊 Niveau d'entrée : Avancé
🎯 Pédagogie : Apports théoriques, exercices pratiques, études de cas, projet fil rouge
🗓️ Délai d'accès : variable selon le mode de financement, généralement de 11 jours ouvrés à 1 mois après l'inscription. En savoir plus.
♿ Accessibilité : Chaque demande émanant d'une personne en situation de handicap fait l'objet d'une étude de faisabilité et d'adaptation. Contactez notre référent handicap.

Équipe pédagogique

Nos formations sont conçues et animées par une équipe de formateurs experts, sélectionnés pour leur double compétence : une expertise métier acquise sur le terrain et une réelle expérience pédagogique. Le suivi de chaque apprenant est assuré par un référent pédagogique dédié.

Formateurs professionnels spécialistes de leur domaine, en veille permanente sur les évolutions du secteur
Référent pédagogique dédié, disponible tout au long du parcours
Contenus régulièrement actualisés et adaptés au niveau de chaque participant
Référent handicap pour l'accueil et l'adaptation des personnes en situation de handicap

Ressources pédagogiques

support pédagogique numérique
environnement Python configuré pour les travaux pratiques
installation de TensorFlow
notebooks ou scripts d’exercices
jeux de données d’entraînement
exemples d’architectures TensorFlow/Keras
exemples de pipelines tf.data
exemples de callbacks
exemples de sauvegarde et rechargement de modèles
exemples de workflows d’inférence
fiches de synthèse sur les fonctions de perte, optimiseurs et métriques
corrigés ou éléments de correction
ressources complémentaires pour approfondissement
les jeux de données utilisés pendant la formation
les notebooks ou scripts de démonstration
les exercices pratiques
les éléments de correction
une fiche mémo sur les composants principaux de TensorFlow
une fiche de synthèse sur les fonctions de perte et optimiseurs
une fiche de synthèse sur les callbacks et l’optimisation
des exemples de pipelines tf.data
des exemples de sauvegarde et rechargement de modèles
une bibliographie ou sitographie indicative pour approfondissement

Suivi de l'exécution et évaluation

Questions de validation sur les tenseurs, tf.data et la structure d’un modèle Keras.
Vérification du premier réseau construit par les participants.
Analyse d’une courbe d’apprentissage.
Identification de pistes d’amélioration d’un modèle.
Vérification de la capacité à utiliser les composants avancés de TensorFlow.

Accessibilité

Les modalités d’accueil, d’accompagnement et d’évaluation peuvent être adaptées aux besoins des participants en situation de handicap. Les adaptations peuvent notamment porter sur : • les supports pédagogiques ; • le rythme de progression ; • les modalités d’interaction ; • l’organisation des exercices ; • les conditions de réalisation des évaluations ; • les outils numériques utilisés. Toute adaptation est étudiée en amont afin de garantir l’accessibilité de la formation, la participation effective du stagiaire et l’atteinte des objectifs pédagogiques, dans le respect du cadre prévu.

Deep Learning avec TensorFlow

Description de la formation

Objectifs pédagogiques

Programme détaillé

Prérequis

Public visé

Modalités de la formation

Équipe pédagogique

Ressources pédagogiques

Suivi de l'exécution et évaluation

Accessibilité

Formations similaires

Applications d’IA générative avec LangChain

Gestion du cycle de vie des modèles avec MLflow

Stratégies avancées en Marketing Digital et Communication: intégration de l’IA pour une performance optimale

Les apprenants ont aussi consulté

Élaborer et mettre en œuvre une démarche de cybersécurité

Expert en systèmes d’information et sécurité

Photoshop – Retouche photo et création graphique