Formation Analyse d’images avec TensorFlow et Keras

  • Référence : PYDS031
  • Durée : 21 heures
  • Certification : Non
  • Eligible CPF : Non

CONNAISSANCES PREALABLES

  • Connaissance d'un langage de programmation comme python et des principes de base de la manipulation de données et du machine learning

PROFIL DES STAGIAIRES

  • Chefs de projet
  • Data-scientists

OBJECTIFS

  • Savoir mettre en oeuvre TensorFlow pour de l'apprentissage machine, connaitre les APIs disponibles pour réaliser des modèles fiables et efficaces.

METHODES PEDAGOGIQUES

  • 6 à 12 personnes maximum par cours, 1 poste de travail par stagiaire
  • Remise d’une documentation pédagogique papier ou numérique pendant le stage
  • La formation est constituée d’apports théoriques, d’exercices pratiques et de réflexions

METHODES D'EVALUATION DES ACQUIS

  • Auto-évaluation des acquis par le stagiaire via un questionnaire
  • Attestation de fin de stage adressée avec la facture

FORMATEUR

Consultant-Formateur expert Bigdata

CONTENU DU COURS Bigdata

1 - Présentation

  • Fonctionnalités
  • Architecture distribuée, plate-formes supportées
  • Historique du projet TensorFlow

2 - Premiers pas avec TensorFlow

  • Installation de TensorFlow
  • Principe des tenseurs, caractéristiques d’un tenseur: type de données, dimensions
  • Définition de tenseurs simples
  • Gestion de variables et persistance
  • Représentation des calculs et des dépendances entre opérations par des graphes

3 - Optimisation des calculs

  • Calculs distribués : différents types de stratégies (synchrone ou asynchrone), avec stockage centralisé des données ou dupliqué sur différents cpu
  • Distribution sur des GPUs
  • Utilisation de TPUs
  • Travaux pratiques sur une plateforme multi-GPU (RIG)

4 - Présentation des RN

  • Descente de gradient
  • Multi-Layer Perceptron
  • Principe des réseaux de neurones

5 - Présentation de Keras

  • Conception d’un réseau de neurones
  • Différents types de couches : denses, convolutions, activations
  • Construction d’un modèle complexe
  • Prédictions et validation d’un modèle

6 - Classification d'images avec Keras

  • Notion de classification, cas d’usage
  • Architectures des réseaux convolutifs, réseaux ImageNet
  • RCNN et SSD
  • Démonstrations sur les convolutions

7 - Optimisation d'un modèle

  • Visualisation avec Tensorboard
  • Optimisation des couches de convolutions
  • Choix des hyper-paramètres avec Keras et Keras Tuner
  • Utilisation de checkpoints
Cookies