Devenez opérationnel

Deep Learning avec TensorFlow

Ce module permet aux participants de concevoir, entraîner, évaluer, optimiser, déployer et monitorer des modèles de Deep Learning avec TensorFlow. Il s’adresse à des data scientists et AI engineers disposant déjà de connaissances en Python, en Machine Learning et en mathématiques appliquées. La formation vise à leur permettre de maîtriser les composants essentiels de TensorFlow, de construire des réseaux neuronaux avec Keras, d’utiliser des APIs avancées pour personnaliser les modèles et d’aborder les bonnes pratiques de déploiement et de supervision. La formation couvre les principes du Deep Learning, la manipulation des tenseurs, la construction de réseaux neuronaux, l’entraînement des modèles, l’évaluation des performances, l’optimisation des architectures, l’utilisation des APIs avancées de TensorFlow, la sauvegarde, le déploiement et le monitoring de modèles. L’approche pédagogique privilégie la pratique : les participants construisent progressivement des modèles TensorFlow, analysent les résultats obtenus, optimisent les performances, utilisent des composants avancés et réalisent un cas pratique complet.

Objectifs de la formation

Créer des réseaux de neurones.
Créer des réseaux de neurones.
Entraîner et évaluer des modèles.
Entraîner et évaluer des modèles.
Utiliser les APIs TensorFlow avancées.
Utiliser les APIs TensorFlow avancées.
Déployer et monitorer des modèles DL.
Déployer et monitorer des modèles DL.

Public

Data scientists, AI engineers

Prérequis

Connaissances en Python, ML et mathématiques

Contenu de la formation

Comprendre les principes du Deep Learning avec TensorFlow

Comprendre les principes fondamentaux du Deep Learning.
Identifier les cas d’usage adaptés aux réseaux neuronaux.
Situer TensorFlow dans l’écosystème des frameworks Deep Learning.

Manipuler les tenseurs et les données avec TensorFlow

Comprendre le rôle des tenseurs dans TensorFlow.
Manipuler les structures de données utilisées par les modèles.
Préparer les données sous une forme compatible avec l’entraînement.

Préparer les données pour l’entraînement

Structurer les données pour l’entraînement d’un modèle TensorFlow.
Préparer un jeu d’entraînement, de validation et de test.
Construire un pipeline de données fiable et reproductible.

Créer un premier réseau de neurones avec Keras

Construire une première architecture de réseau neuronal.
Compiler, entraîner et tester un modèle simple.
Comprendre le rôle des couches, de la fonction de perte, de l’optimiseur et des métriques.

Entraîner et évaluer un modèle Deep Learning

Mettre en œuvre un entraînement structuré avec TensorFlow/Keras.
Suivre les métriques d’apprentissage.
Évaluer la capacité de généralisation du modèle.

Optimiser les architectures et les hyperparamètres

Améliorer les performances d’un modèle TensorFlow.
Ajuster les hyperparamètres.
Utiliser les mécanismes de régularisation et d’optimisation.

Utiliser les APIs TensorFlow avancées

Utiliser des APIs TensorFlow avancées.
Personnaliser certains composants d’un modèle.
Comprendre les cas où l’API standard doit être étendue.

Sauvegarder, exporter et préparer un modèle au déploiement

Sauvegarder un modèle TensorFlow.
Exporter un modèle dans un format exploitable.
Préparer un modèle pour l’inférence.

Déployer et monitorer un modèle Deep Learning

Comprendre les principes de déploiement d’un modèle TensorFlow.
Identifier les indicateurs à surveiller après déploiement.
Mettre en place une logique de monitoring adaptée.

Cas pratique de synthèse

Mobiliser l’ensemble des acquis de la formation.
Construire, entraîner, optimiser et préparer au déploiement un modèle TensorFlow.
Présenter et justifier les choix réalisés.

Equipe pédagogique

Le formateur mobilisé pour ce module dispose d’une expertise confirmée en Machine Learning, Deep Learning et développement de modèles avec TensorFlow.

Référent pédagogique et technique
Haciba, responsable pédagogique, est à votre disposition pour toute question relative au contenu, aux objectifs ou à l’organisation de la formation. Vous pouvez la joindre par téléphone au 01 53 90 15 20 ou par mail : esic(@)esic-online.com. Nous encourageons les apprenants à prendre contact pour toute précision ou pour discuter d’éventuels besoins spécifiques liés à leur parcours.

Suivi de l'exécution et évaluation des résultats

Dispositions spécifiques à cette formation

Questions de validation sur les tenseurs, tf.data et la structure d’un modèle Keras.
Vérification du premier réseau construit par les participants.
Analyse d’une courbe d’apprentissage.
Identification de pistes d’amélioration d’un modèle.
Vérification de la capacité à utiliser les composants avancés de TensorFlow.
Le cas pratique de synthèse permet de vérifier la capacité du participant à créer, entraîner, évaluer, optimiser, déployer et monitorer un modèle Deep Learning avec TensorFlow.

Dispositions relatives à l’ensemble des formations

Nous mettons en place un suivi rigoureux et une évaluation complète des résultats pour garantir la qualité et l’efficacité de nos formations.

Avant la formation:
- Entretien individuel ou questionnaire de positionnement: Permet d’analyser les besoins spécifiques des participants et d’ajuster les contenus pédagogiques en conséquence.
Pendant la formation:
- Exercices pratiques et mises en situation: Ces activités sont intégrées tout au long de la formation pour valider les acquis en temps réel.
- Feuilles de présence: Chaque participant émarge une feuille de présence par demi-journée, également signée par le formateur, assurant le suivi administratif.
Après la formation:
- Questionnaire de satisfaction à chaud: Administré immédiatement après la formation pour recueillir un retour sur la qualité des contenus et de l’animation.
- Questionnaire de satisfaction à froid: Envoyé trois mois après la formation pour évaluer l’impact réel sur les pratiques professionnelles.
- Questionnaire d’auto-évaluation possible: Permet aux participants de mesurer leurs progrès à l’issue de la formation.
- Certification(optionnelle) : Passage de la certification en conditions d’examen ou via télésurveillance, selon le dispositif retenu.
- Certificat de réalisation: Remis à l’issue de la formation, attestant de la participation effective des apprenants.

Nous veillons à accompagner les participants avant, pendant et après la formation pour maximiser leur progression et mesurer les retombées concrètes dans leur environnement professionnel.

Ressources techniques et pédagogiques

support pédagogique numérique
environnement Python configuré pour les travaux pratiques
installation de TensorFlow
notebooks ou scripts d’exercices
jeux de données d’entraînement
exemples d’architectures TensorFlow/Keras
exemples de pipelines tf.data
exemples de callbacks
exemples de sauvegarde et rechargement de modèles
exemples de workflows d’inférence
fiches de synthèse sur les fonctions de perte, optimiseurs et métriques
corrigés ou éléments de correction
ressources complémentaires pour approfondissement
le support pédagogique du module
les jeux de données utilisés pendant la formation
les notebooks ou scripts de démonstration
les exercices pratiques
les éléments de correction
une fiche mémo sur les composants principaux de TensorFlow
une fiche de synthèse sur les fonctions de perte et optimiseurs
une fiche de synthèse sur les callbacks et l’optimisation
des exemples de pipelines tf.data
des exemples de sauvegarde et rechargement de modèles
une bibliographie ou sitographie indicative pour approfondissement

Accessibilité

Nous accordons une attention particulière à l’accueil des personnes en situation de handicap. Si vous êtes concerné(e) et souhaitez suivre cette formation, nous vous invitons à nous contacter dès que possible. Ensemble, nous étudierons vos besoins spécifiques et mettrons en place les adaptations nécessaires pour garantir votre accès à la formation dans les meilleures conditions.

Délai d'accès

L’inscription à cette formation est possible dans un délai de 2 semaines avant le début de la session. Ce délai permet de finaliser les démarches administratives, de confirmer la prise en charge éventuelle des frais de formation et d’assurer une préparation optimale des participants.

Pour toute demande spécifique ou situation particulière, nous vous invitons à nous contacter afin d’étudier ensemble les possibilités d’adaptation.

Prérequis technique

Pour suivre cette formation dans de bonnes conditions, les moyens techniques suivants sont requis :

En présentiel:
- Tableau blanc ou paperboard, et un vidéoprojecteur pour les présentations.
- Outils pour le partage de documents avec les formateurs et autres participants.
À distance:
- Un logiciel de visioconférencecompatible (Teams, Zoom ou équivalent) pour participer aux sessions en ligne.
- Possibilité de partage d’écran entre le formateur et les participants.
- Accès à une plateforme pour le partage des documents pédagogiques et supports de formation.
- Connexion internet haut débit pour garantir une expérience fluide et interactive.

Nous vous recommandons de vérifier la disponibilité et la fonctionnalité de ces moyens techniques avant le début de la formation. En cas de difficulté, n’hésitez pas à nous contacter pour trouver une solution adaptée.