TensorFlow pour le Machine Learning et Deep Learning

TensorFlow est devenu en un temps record l’un des frameworks de référence pour le Deep Learning et l’Intelligence Artificielle, utilisé aussi bien dans la recherche qu’en entreprise pour des applications en production. Apprenez à vous servir de manière performante cet outils pour l’inclure correctement dans vos projets.

Public

Développeurs, Chef de projet, Data scientist, Data ingénieur, Data analyste, Architecte

Prérequis

Algorithmie, python

Programme

• Machine Learning
  • Machine Learning et ses Applications
  • Deep learning et ses applications
• Découverte de TensorFlow
  • Tensors
  • Variables vs Placeholders
  • Graphe d’exécution
  • Session (session, interactiveSession)
  • Premier programme en TensorFlow
  • Manipulation des données
  • Visualisation des données avec Tensorboard
  • API TensorFlow : Tf.contrib.learn
  • Exécution sur CPUs vs GPUs
  • Exécution sur Cluster
  • Mise en production avec TensorServing
• Régression
  • Cas d’usage : Prédiction des prix de vente de maisons
  • Régression linéaire, multiple
  • Optimisation
  • Comparaison des modèles
• Classification
  • Cas d’usage : Classification d’images – MNIST dataset
  • Régression logistique, Forêts aléatoires, …
  • Comparer les modèles
• Réseaux de neurones Perceptron et multicouches
  • Présentation
  • Cas d’usage : Classification d’images – MNIST dataset
  • Principe et fonctionnement
• Réseaux de neurones à convolution (CNN)
  • Présentation
  • Cas d’usage : Classification d’images – MNIST dataset
  • Principe et fonctionnement
• Réseaux de neurones récurrents (RNN)
  • Présentation
  • Cas d’usage : Traitement du langage naturel
  • Long Short-Term Memory (LSTM)
  • Réseaux de Neurones Récurrents (RNN)
• Restricted Boltzmann Machine et réseaux de neurones Autoencoders
  • Présentation
  • Cas d’usage : Réduction de dimension
  • Restricted Boltzmann Machine (RBM)
  • Deep Belief Network (DBN)