Deep Learning avec Tensorflow

Comprendre et développer des algorithmes de réseaux de neurones avec TensorFlow
Sommaire

Le Deep Learning a été introduit il y a une trentaine d'années afin d'exploiter les concepts liés aux réseaux de neurones, issus de l'Intelligence Artificielle. Cette branche du Machine Learning a connu récemment les avancées les plus marquantes qui la rendent particulièrement efficace face à des contextes d'apprentissage sous-tendus par des relations non-linéaires.

Cette formation s'adresse à des Data Scientists et développeurs possédant déjà un minimum de connaissances et pratiques en Machine Learning : les concepts de base seront revus à titre introductif. Le but principal est de se concentrer sur des manipulations concrètes de TensorFlow. Plusieurs thèmes fonctionnels y seront appliqués, notamment ceux fort médiatiques de la reconnaissance d'images et de textes.

La formation présentera, sous une forme relativement détaillée, les algorithmes les plus intéressants proposés par TensorFlow. Certaines fonctionnalités très utiles, permettant par exemple la visualisation dynamique des données avec TensorBoard ou la mise en production des modèles construits grâce à TensorServing, seront aussi étudiées.



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, interactive session)
  • Premier programme en TensorFlow
  • Manipulation des données
  • Visualisation des données avec Tensorboard
  • API TensorFlow : Tf.contrib.learn
  • Exécution sur CPU vs GPU
  • 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