Deep Learning with Keras & TensorFlow - En Ligne
450,00 EUR
- 34 hours
Ce cours d'apprentissage profond avec certification TensorFlow est développé par des leaders de l'industrie et aligné sur les meilleures pratiques actuelles. Vous maîtriserez les concepts et modèles d'apprentissage profond en utilisant les frameworks Keras et TensorFlow à travers ce cours TensorFlow. Apprenez à mettre en œuvre des algorithmes d'apprentissage profond avec notre formation TensorFlow et préparez-vous pour une carrière d'Ingénieur en apprentissage profond. Obtenez notre certification en apprentissage profond et obtenez un avantage concurrentiel sur vos pairs lors de votre prochain entretien. La demande pour des Ingénieurs en apprentissage profond qualifiés explose dans un large éventail d'industries, rendant ce cours d'apprentissage profond avec certification Keras et TensorFlow particulièrement adapté pour les professionnels de niveau intermédiaire à avancé. Nous recommandons cette formation certifiante en apprentissage profond, en particulier pour les Ingénieurs logiciels, les Scientifiques de données, les Analystes de données et les Statisticiens intéressés par l'apprentissage profond.
Calendrier du cours
Introduction au cours
Leçon 01
- Introduction au cours
Introduction à l'IA et à l'apprentissage profond
Leçon 02
- Qu'est-ce que l'IA et l'apprentissage profond
- Brève histoire de l'IA
- Récapitulatif : SL, UL et RL
- Apprentissage profond : les succès de la dernière décennie
- Démonstration et discussions : Détection d'objets pour les voitures autonomes
- Applications de l'apprentissage profond
- Défis de l'apprentissage profond
- Démonstration et discussions : Analyse de sentiment en utilisant LSTM
- Cycle complet d'un projet d'apprentissage profond
- Points clés
- Vérification des connaissances
Réseau Neutre Acritique
Leçon 03
- Neurone biologique vs Perceptron
- Réseau Neuronal Peu Profond
- Former une perception
- Code de démonstration #1 : Perception (Classification linéaire)
- Rétropropagation
- Rôle de l'activation, des fonctions et de la rétropropagation
- Code de démonstration #2 : Fonction d'activation
- Code de démonstration #3 : Illustration de la rétropropagation
- Optimisation
- Régularisation
- Couche d'abandon
- Code de démonstration #4 : Illustration de l'abandon, Exercice de fin de leçon (Jeu de données de classification Kaggle).
- Points clés
- Vérification des connaissances
- Leçon - projet de fin
Réseau Neuronal Profond & Outils
Leçon 04
- Réseau de neurones profond : pourquoi et applications
- Concevoir un réseau neuronal profond
- Comment choisir votre fonction de perte ?
- Outils pour les modèles d'apprentissage profond
- Keras et ses Éléments
- Code de démonstration #5 : Construire un modèle d'apprentissage profond - - - Utilisation de Keras
- TensorFlow et son écosystème
- Code de démonstration #6 : Construire un modèle d'apprentissage profond - - - Utilisation de Tensorflow
- TFlearn
- Pytorch et ses Éléments
- Code de démonstration #7 : Construire un modèle d'apprentissage profond - - - Utilisation de Pytorch
- Code de démonstration #8 : Exercice de fin de leçon
- Points clés
- Vérification des connaissances
- Projet de fin de leçon
Optimisation de réseaux neuronaux profonds, réglage, interprétabilité
Leçon 05
- Algorithmes d'optimisation
- SGD, Momentum, NAG, Adagrad, Adadelta, RMSprop, Adam
- Code de démonstration #9 : Jeu de données MNIST
- Normalisation par lot
- Code de démonstration #10
- Gradients Explosifs et Disparaissants
- Réglage des hyperparamètres
- Code de démonstration #11
- Interprétabilité
- Code de démonstration#12 : MNIST – Fin de leçon
- Projet avec des leçons sur l'interprétabilité
- Largeur contre profondeur
- Points clés
- Vérification des connaissances
- Projet de fin de leçon
Réseau neuronal convolutif
Leçon 06
- Succès et Histoire
- Conception et architecture du réseau CNN
- Code de démonstration #13 : Keras
- Code de démonstration #14 : Classification de deux types d'images (Kaggle), Utilisation de Keras
- Modèles convolutionnels profonds
- Points clés
- Vérification des connaissances
- Projet de fin de leçon
Réseaux Neuronaux Récurrents
Leçon 07
- Données de séquence
- Sens du temps
- Introduction aux RNN
- Code de démonstration #5 : Prédiction du prix des actions avec un RNN
- LSTM (jeu de données de ventes au détail Kaggle)
- Code de démonstration #16 : Plongement lexical et LSTM
- Code de démonstration #17 : Analyse de sentiment (Critique de film)
- Points clés
- Contrôle des connaissances
- Leçon - projet de fin
Autoencodeurs
Leçon 08
- Introduction et autoencodeurs
- Applications des autoencodeurs
- Autoencodeur pour la détection d'anomalies
- Code de démonstration #19 : Modèle d'autoencodeur pour les données MNIST
- Contrôle des connaissances
- Leçon - fin de Projet
Projet : Modèle de classification d'animaux de compagnie en utilisant des CNN
Projet 01
Le cours comprend un projet réel basé sur l'industrie. L'évaluation réussie des éléments suivants
le projet fait partie des critères d'éligibilité à la certification :
Dans ce projet, vous construisez un modèle CNN qui classe correctement les images d'animaux fournies en images de chiens et de chats. Un modèle de code est fourni avec les blocs de code essentiels. TensorFlow peut être utilisé pour entraîner les données et calculer le score de précision sur les données de test.
Résultats d'apprentissage
À la fin de ce cours d'apprentissage profond avec Keras et TensorFlow, vous serez capable de :
Comprendre les concepts de Keras et TensorFlow, leurs principales fonctions, opérations et le pipeline d'exécution
Mettez en œuvre des algorithmes d'apprentissage profond, comprenez les réseaux de neurones et parcourez les couches d'abstraction des données
Maîtriser et comprendre des sujets avancés tels que les réseaux de neurones convolutionnels, les réseaux de neurones récurrents, l'entraînement de réseaux profonds et les interfaces de haut niveau
Construisez des modèles d'apprentissage profond en utilisant les frameworks Keras et TensorFlow et interprétez les résultats
Comprendre la langue et les concepts fondamentaux des réseaux de neurones artificiels, l'application des autoencodeurs, ainsi que Pytorch et ses éléments
Dépanner et améliorer les modèles d'apprentissage profond
Construisez votre projet d'apprentissage profond
Faites la distinction entre l'apprentissage automatique, l'apprentissage profond et l'intelligence artificielle
Caractéristiques principales
34 heures d'apprentissage mixte
Un projet de fin de cours basé sur l'industrie
Apprentissage interactif avec des laboratoires intégrés dans les carnets Jupyter
Séance de mentorat dédiée avec des experts de l'industrie
Qui devrait s'inscrire à ce programme ?
Les apprenants doivent posséder un diplôme de premier cycle ou un diplôme d'études secondaires. Une familiarité avec les principes fondamentaux de la programmation, une bonne compréhension des bases des statistiques et des mathématiques, ainsi qu'une bonne compréhension des concepts d'apprentissage automatique.
Ingénieur en IA
Data Scientist
Ingénieur logiciel
Étudiants en programmes de licence/master
Analyste de données
Besoin d'une solution d'entreprise ou d'une intégration LMS ?
Vous n'avez pas trouvé le cours ou le programme adapté à votre entreprise ? Besoin d'une intégration LMS ? Écrivez-nous ! Nous réglerons tout !