Deep Learning avec TensorFlow
Version du programme : 1
Type de formation
MixteDurée de formation
21 heures (3 jours)Accessibilité
OuiDeep Learning avec TensorFlow
Ce module permet aux participants de concevoir, entraîner, évaluer, optimiser, déployer et monitorer des modèles de Deep Learning avec TensorFlow. Il s’adresse à des data scientists et AI engineers disposant déjà de connaissances en Python, en Machine Learning et en mathématiques appliquées. La formation vise à leur permettre de maîtriser les composants essentiels de TensorFlow, de construire des réseaux neuronaux avec Keras, d’utiliser des APIs avancées pour personnaliser les modèles et d’aborder les bonnes pratiques de déploiement et de supervision. La formation couvre les principes du Deep Learning, la manipulation des tenseurs, la construction de réseaux neuronaux, l’entraînement des modèles, l’évaluation des performances, l’optimisation des architectures, l’utilisation des APIs avancées de TensorFlow, la sauvegarde, le déploiement et le monitoring de modèles. L’approche pédagogique privilégie la pratique : les participants construisent progressivement des modèles TensorFlow, analysent les résultats obtenus, optimisent les performances, utilisent des composants avancés et réalisent un cas pratique complet.
Objectifs de la formation
- Créer des réseaux de neurones.
- Entraîner et évaluer des modèles.
- Utiliser les APIs TensorFlow avancées.
- Déployer et monitorer des modèles DL.
Profil des bénéficiaires
- Data scientists, AI engineers
- Connaissances en Python, ML et mathématiques
Contenu de la formation
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.
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.
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.
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.
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.
Optimiser les architectures et les hyperparamètres
- Améliorer les performances d’un modèle TensorFlow.
- Ajuster les hyperparamètres.
- Utiliser les mécanismes de régularisation et d’optimisation.
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.
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.
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.
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.
Équipe pédagogique
Suivi de l'exécution et évaluation des résultats
- 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.
- Le cas pratique de synthèse permet de vérifier la capacité du participant à créer, entraîner, évaluer, optimiser, déployer et monitorer un modèle Deep Learning avec TensorFlow.
Ressources techniques et 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
- le support pédagogique du module
- 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
Délai d'accès
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.