Tensorflow par Ambient it

Journée 1
Matin : Manipulation de vecteurs et tenseurs avec Tensorflow
Installation
Tensorflow vs Tensorflow
- gpu
Google Colab
Calcul matriciel
Définition de tf.placeholder, tf.Tensor, tf.constant
Opérations classiques sur les tenseurs (addition, multiplication)
Cas d'application : Loading d'images sous forme de tenseurs
Manipulation plus avancée (reshaping)
Après
- midi: Construire un pipeline de données
Bonnes pratiques : Données Pipeline
Entrainement vs Validation
Preprocessing
Normalisation
Missing values & Imputing
Numpy arrays
Data Generators
tf.Dataset
Initiate DataSet
Add preprocessing steps
Shuffling
Data Augmentation
Journée 2
Matin : Utiliser un modèle Tensorflow pré-construit
TensorFlow Estimators
Après
- midi : Théorie des réseaux de neurones
Neural Networks Theory
Neuron
Dense Layers
Activations Functions
tanh
sigmoid
softmax
ReLU
Leaky ReLU
Multi
- layer perceptrons
Réseau dense
Exemple
Convolutions
Kernels
Padding
Strides
Pooling
Max Pooling
Average Pooling
Réseau convolutionnel
Shapes
Building Neural Networks
tf.keras.layers
Dense
Activation
Conv2D
MaxPooling
Journée 3
Matin : Construire un réseau de neurones
Building Neural Networks (suite)
tf.keras Sequential API
Introduction à l'API
Cas d'usage : Réseaux convolutionnels simples
tf.keras Functional API
Introduction à l'API
Cas d'usage : Réseaux résiduels ResNet)
tf.keras Subclassing API
Introduction à l'API
Cas d'usage
Après
- midi: Entrainement de réseaux de neurones
Learning Rate
Epochs, Batch Size
Losses
Gradient Methods
Gradient Descent
Stochastic Gradient Descent
Adam
Suivi de l'entrainement
TensorFlow Callbacks
tf.keras.callbacks.ModelCheckpoint
tf.keras.callbacks.ReduceLROnPlateau
TensorBoard
Overfitting / Underfitting
Regularization
Dropout
Architectures de Réseaux de Neurones classiques
Transfer Learning
Créer une boucle d'entrainement custom avec tf.GradientTape
Journée 4
Matin : Cas d'application
Détection de visages & Classification d'émotion
Classification de séquences de textes
Introduction au NLP
Cas pratique
Après
- midi : Cas d'applications (suite)
Génération d'images par Generative Adversarial Networks
Introduction aux Generative Adversarial Networks GAN
Cas pratique
Compression d'images avec des Autoencoders
Introduction aux Autoencoders
Cas pratique

-Découvrir les nouveautés de la v2 et être capable d'installer et d'utiliser TensorFlow de manière autonome
-Comprendre le concept de Deep Learning et être capable de l'utiliser avec TensorFlow
-Manipuler des volumes importants de données en utilisant les bonnes pratiques grâce à TensorFlow
-Configurer une machine pour runner des modèles de Deep Learning
-Créer un pipeline de données avec data augmentation
-Utiliser des modèles pré-construits (estimators) de TensorFlow sur un Dataset
-Comprendre la théorie derrière les différents blocs des réseaux de neurones
-Construire un réseau de neurones avec TensorFlow
-Comprendre la théorie de l'entrainement d'un réseau de neurones
-Lancer l'entrainement du réseau
-Surveiller et affiner l'entrainement grâce à Tensorboard et à des callbacks
-Utiliser des réseaux déjà pré-entraînés pour les appliquer à un cas précis
-Appliquer les réseaux de neurones à différents cas d'application