Deep Learning

Module 1 : COMPRENDRE LES PRINCIPES FONDAMENTAUX DE L’INTELLIGENCE ARTIFICIELLE ET DU MACHINE LEARNING

Module 2 : COMPRENDRE LE DEEP LEARNING

• Aperçu des concepts de base de Deep Learning
• Distinguer le Machine Learning du Deep Learning
• Aperçu des applications pour le Deep Learning

Module 3 : APERÇU DES RÉSEAUX DE NEURONES

• Que sont les réseaux de neurones
• Réseaux de neurones vs modèles de régression
• Comprendre les bases mathématiques et les mécanismes d’apprentissage
• Construire un réseau neuronal artificiel
• Comprendre les nœuds et les connexions neuronales
• Travailler avec les neurones, les couches, les données d’entrée et de sortie
• Comprendre les perceptrons monocouches
• Différences entre l’apprentissage supervisé et non supervisé
• Apprentissage des réseaux neuronaux de rétroaction et de retour d’information
• Comprendre la propagation vers l’avant et la propagation vers l’arrière
• Comprendre le Long Short-Term Memory (LSTM)
• Explorer les réseaux de neurones récurrents (RNN)
• Explorer les réseaux neuronaux convolutifs (CNN)
• Améliorer la façon dont les réseaux neuronaux apprennent

Module 4 : APERÇU DES TECHNIQUES DE DEEP LEARNING

• Réseaux de neurones
• Traitement du langage naturel
• Reconnaissance d’images
• Reconnaissance de la parole
• Analyse sentimentale
• Exploration d’études de cas de Deep Learning

Module 5 : EXPLORER LES DIFFÉRENTES BIBLIOTHÈQUES DE DEEP LEARNING POUR PYTHON

• TensorFlow
• Keras

Module 6 : MISE EN PLACE DE PYTHON AVEC LE TENSORFLOW POUR LE DEEP LEARNING

• Installation de l’API Python TensorFlow
• Test de l’installation TensorFlow
• Mettre en place TensorFlow pour le développement
• Formation de votre premier modèle de réseau neuronal TensorFlow

Module 7 : CONSTRUIRE DES MODÈLES SIMPLES DE DEEP LEARNING AVEC KERAS

• Mettre en place Python avec Keras pour le Deep Learning
• Créer un modèle Keras
• Comprendre vos données
• Spécifier votre modèle d’apprentissage profond
• Compilation de votre modèle
• Adapter votre modèle
• Travailler avec vos données de classification
• Travailler avec des modèles de classification
• Utilisation de vos modèles

Module 8 : UTILISER TENSORFLOW POUR LE DEEP LEARNING

• Préparation des données
• Téléchargement des données
• Préparation des données de formation
• Préparation des données d’essai
• Mise à l’échelle des entrées
• Utilisation des placeholders et des variables
• Spécification de l’architecture du réseau
• Utilisation de la fonnction cost
• Utilisation de l’optimiseur
• Utilisation des initialisateurs
• Adapter le réseau de neurones
• Construire le graphique
• Inférence
• Perte
• Entrainement
• Former le modèle
• Le graphique
• La session
• Boucle d’entrainement
• Évaluer le modèle
• Construire le graphique d’évaluation
• Évaluer avec les résultats de l’évaluation
• Modèles de formation à l’échelle
• Visualisation et évaluation des modèles avec TensorBoard
• Pratique : Construire un modèle de Deep Learning pour la prévision d’évènements en utilisant       Python

Module 9 : ÉTENDRE LES CAPACITÉS DE VOTRE ENTREPRISE

• Développer des modèles dans le Cloud Utiliser les processeurs graphiques (GPU) pour accélérer le Deep Learning
• Application des réseaux neuronaux de Deep Learning à la vision par ordinateur, à la   reconnaissance vocale et à l’analyse de texte