Tensorflow

Découvrir les nouveautés de la v2 et être capable d'installer et d'utiliser TensorFlow de manière autonome Comprendre le concept de Deep Learning et être capable de l'utiliser avec TensorFlow Manipuler des volumes importants de données en utilisant les bonnes pratiques grâce à TensorFlow Configurer une machine pour runner des modèles de deep learning Créer un pipeline de données avec data augmentation Utiliser des modèles pré-construits (estimators) de TensorFlow sur un Dataset Comprendre la théorie derrière les différents blocs des réseaux de neurones Construire un réseau de neurones avec TensorFlow Comprendre la théorie de l'entrainement d'un réseau de neurones Lancer l'entrainement du réseau Surveiller et affiner l'entrainement grâce à Tensorboard et à des callbacks Utiliser des réseaux déjà pré-entraînés pour les appliquer à un cas précis Appliquer les réseaux de neurones à différents cas d'application

JOURNÉE 1 MATIN : MANIPULATION DE VECTEURS ET TENSEURS AVEC TENSORFLOW Installation Installation de Tensorflow Google Collab Utiliser Tensorflow comme Numpy Tenseurs et opérations Variables Cas d'usages Huber Loss Import d'images APRÈS-MIDI : CONSTRUIRE UN PIPELINE DE DONNÉES Tensorflow Data API Concept de Dataset Enchaîner les transformations Shuffle de la donnée Entrelacement Création d'un pipeline de lecture de CSV complet Optimisations API de prétraitement Tensorflow Utilité Colonnes numériques Colonnes catégorielles Utilisation en tant que layer JOURNÉE 2 MATIN : INTRODUCTION AUX RÉSEAUX DE NEURONES AVEC KERAS Keras De la biologie aux neurones artificiels Le neurone biologique Calculs logiques avec des neurones Le perceptron Les MLPs et la rétropropagation MLPs de régression MLPs de classification Implémenter des MLPs avec Tensorflow Sauvegarder et restaurer un modèle Utiliser des callbacks APRÈS-MIDI : ENTRAÎNER DES RÉSEAUX DE NEURONES Le problème du "Vanishing Gradient" Réutilisation de modèles pré-entraînés Optimiseurs plus rapides Mise en pratique Création d'un classificateur d'image avec l'API Séquentielle Création d'une régression avec l'API Séquentielle Création de modèles complexes avec l'API Fonctionnelle Optimisation des hyperparamètres JOURNÉE 3 MATIN : CNN La vision par ordinateur L'architecture du cortex visuel Les couches de convolutions Les couches de Pooling Les différentes architectures des réseaux de neurones convolutionnels (CNN) Data Augmentation APRÈS-MIDI : TRAVAUX PRATIQUE SUR LES MODÈLES Implémentation d'un CNN Simple sur TensorFlow Utilisation de modèles pré-entraînés Modèles pré-entraînés pour du Transfer Learning Classification et localisation d'objets JOURNÉE 4 MATIN : CAS D'APPLICATIONS Traitement des données séquentielles avec des RNNs et des CNNs Les neurones et les layers récurrents Entraîner un RNN Prédire une série temporelle Mise en pratique du Natural Language Processing with RNNs Comment préparer les données textuelles ? Comment séparer le dataset en de multiples fenêtres ? Générer du fake Shakespear Classification de texte : Analyse Sentimentale APRÈS-MIDI : AUTOENCODERS Representation Learning et Generative Learning avec des AutoEncodeurs et des GANs Créer un PCA avec une partie d'AutoEncodeur Construire un "Stacked Autoencoder" avec TensorFlow Générer de faux vêtements avec des GANs

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Connaissance de Python idealement, ou langage recent de programmation Connaissances en Mathematiques (exemple : gradient, moyenne/ecart type), idealement niveau bac+2 ecole d ingenieur