Chefs de projet, data-scientists, souhaitant comprendre le fonctionnement de tensorflow
Savoir mettre en oeuvre TensorFlow pour de l'apprentissage machine, connaitre les APIs disponibles pour réaliser des modèles fiables et efficaces.
Connaissance d'un langage de programmation comme python et des principes de base de la manipulation de données et du machine learning.
|
Présentation | Historique du projet TensorFlow Fonctionnalités Architecture distribuée, plate-formes supportées
|
|
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
|
|
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)
|
|
Présentation des RN | Principe des réseaux de neurones Descente de gradient Multi-Layer Perceptron
|
|
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
|
|
Classification d'images avec Keras | Notion de classification, cas d'usage Architectures des réseaux convolutifs, réseaux ImageNet RCNN et SSD Démonstrations sur les convolutions
|
|
Optimisation d'un modèle | Visualisation avec Tensorboard Optimisation des couches de convolutions Choix des hyper-paramètres avec Keras et Keras Tuner Utilisation de checkpoints
|