EduGroupe accompagne les entreprises dans leurs projets de formation liée aux technologies informatiques
Analyse d’images avec TensorFlow et Keras
- Référence : PYDS031
- Durée : 3 jours (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
1 - Présentation
- Historique du projet TensorFlow
- Fonctionnalités
- Architecture distribuée, plate-formes supportées
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
- Principe des réseaux de neurones
- Descente de gradient
- Multi-Layer Perceptron
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
