Ce cours vous guidera dans l’utilisation du dernier Framework TensorFlow 2 de Google pour créer des Réseaux de Neurones Artificiels pour le Deep Learning ! Ce cours a pour but de vous donner un guide facile à comprendre sur les complexités du Framework TensorFlow version 2.x de Google (dernière version à jour).
Nous nous attacherons à comprendre les dernières mises à jour de TensorFlow et à exploiter l’API de Keras (l’API officielle de TensorFlow 2) pour construire rapidement et facilement des modèles. Dans ce cours, nous construirons des modèles pour prédire des prix futurs de maisons, classer des images médicales, prédire les données de ventes futures, générer artificiellement un nouveau texte complet et bien plus encore… !
Ce cours est conçu pour équilibrer la théorie et la mise en œuvre pratique, avec des guides de code complets de type “Notebook Google Colab” et des slides et notes faciles à consulter. Il y a également de nombreux exercices pour tester vos nouvelles compétences au cours de la formation !
Ce cours couvre une grande variété de sujets, notamment :
et bien plus encore !
Keras, une API standard conviviale pour le Deep Learning, elle sera l’API centrale de haut niveau utilisée pour construire et entraîner les modèles. L’API de Keras facilite le démarrage de TensorFlow 2. Il est important de noter que Keras fournit plusieurs API de construction de modèles (séquentielle, fonctionnelle et de sous-classement), afin que vous puissiez choisir le bon niveau d’abstraction pour votre projet. La mise en œuvre de TensorFlow contient des améliorations, notamment une exécution rapide, pour une itération immédiate et un débogage intuitif, et tf. data, pour la construction de pipelines d’entrée évolutifs.
TensorFlow 2 facilite le passage des nouvelles idées du concept au code, et du modèle à la publication. TensorFlow 2 intègre un certain nombre de fonctionnalités qui permettent de définir et d’entraîner des modèles de pointe sans sacrifier la vitesse ou les performances
Il est utilisé par de grandes entreprises dans le monde entier, notamment Airbnb, Ebay, Dropbox, Snapchat, Twitter, Uber, SAP, Qualcomm, IBM, Intel, et bien sûr, Google !
Comprendre et appliquer le Deep Learning dès aujourd’hui, c’est possible ! On se retrouve dans le cours 🙂
Le Machine learning (Apprentissage Machine) est une méthode d'analyse de données qui automatise la construction de modèles analytiques.
Le Deep Learning (Apprentissage Profond) est une branche du Machine Learning qui fait référence aux réseaux de neurones profonds.
Les algorithmes d'Apprentissage Supervisé sont entrainés à l'aide d'exemples étiquetés, comme une entrée où le résultat souhaité est connu.
Qu'est-ce que l'overfitting (ou sur-apprentissage en français) ?
Lors d'un phénomène d'overfitting :
Le modèle s'adapte trop au bruit des données.
Il en résulte souvent un faible taux d'erreur sur les sets d’entraînement, mais un taux d'erreur élevé sur les sets de test/validation.
Un réseau de neurones artificielle est un modèle multi-couches de neurones contenant au moins une couche d'entrée (input layer) et une couche de sortie (output layer). Il peut y avoir des couches cachées (hidden layers) entre ces 2 couches. Si le réseau possède au moins 2 couches cachées alors on peut parler techniquement de Deep Learning (Apprentissage Profond).
Présentation des bases de la syntaxe Keras de TensorFlow 2 pour construire un réseau de neurones Artificiel (ANN). Construction d'un modèle séquentiel avec ajout de couches denses successives puis Entraînement de ce modèle et enfin évaluation.
Google 
Facebook