Formations Big Data & Data Science

Durée 3 jours • Prix (HT) 1890€

Introduction et rappels sur le Machine Learning

  • Machine Learning et ses Applications
  • Deep learning et ses applications

Les bases 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
  • Lab 1 : Manipulation des bases de TensorFlow

Le Machine Learning avec TensorFlow

Régression avec TensorFlow

  • Cas d’usage : Prédiction des prix de vente de maisons
  • Régression linéaire, multiple
  • Optimisation
  • Comparaison des modèles
  • Lab 2 : Régression

Classification avec TensorFlow

  • Cas d’usage : Classification d’images – MNIST dataset
  • Régression logistique, Forêts aléatoires, …
  • Comparer les modèles
  • Lab 3 : Classification

Deep learning

Réseaux de neurones Perceptron et multicouches

  • Motivation
  • Cas d’usage : Classification d’images – MNIST dataset
  • Principe et fonctionnement
  • Lab 4 : Classification avec les réseaux multicouches

Réseaux de neurones à convolution (CNN)

  • Motivation
  • Cas d’usage : Classification d’images – MNIST dataset
  • Principe et fonctionnement
  • Lab 5 : Reconnaissance d’images avec les réseaux à convolution

Réseaux de neurones récurrents (RNN)

  • Motivation
  • Cas d’usage : Traitement du langage naturel
  • Long Short-Term Memory (LSTM)
  • Réseaux de Neurones Récurrents (RNN)
  • Lab 6 : Traitement de langage naturel (NLP) avec les réseaux récurrents

Restricted Boltzmann Machine et réseaux de neurones Autoencoders

  • Motivation
  • Cas d’usage : Réduction de dimension
  • Restricted Boltzmann Machine (RBM)
  • Deep Belief Network (DBN)
  • Lab 7 : Réduction de dimension avec les autoencoders