Formation Intelligence Artificielle Appliquée à partir de Zéro

Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.

Ce cours a été créé pour les gestionnaires, les architectes de solutions, les responsables d’innovation, les CTO, les architectes logiciels et toute personne intéressée par un aperçu de l’intelligence artificielle appliquée et des prévisions les plus récentes concernant son développement.

Cette formation en direct avec un formateur (en ligne ou sur site) est destinée aux participants de niveau débutant souhaitant apprendre les concepts essentiels de probabilité, statistiques, programmation et apprentissage automatique, et les appliquer au développement d'IA.

À la fin de cette formation, les participants seront capables de :

• Comprendre les concepts de base en probabilité et statistiques, et les appliquer à des scénarios du monde réel.
• Rédiger et comprendre le code de programmation procédural, fonctionnel et orienté objet.
• Mettre en œuvre des techniques d'apprentissage automatique telles que la classification, l'agrégation et les réseaux neuronaux.
• Développer des solutions IA à l'aide de systèmes d'inférence et d'experts pour la résolution de problèmes.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués en utilisant Google Colab.

À la fin de cette formation, les participants seront capables de :

• Construire et entraîner des réseaux neuronaux convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour le développement de modèles cloud évolutifs et efficaces.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser le transfert d'apprentissage pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données et développeurs intermédiaires qui souhaitent comprendre et appliquer les techniques d'apprentissage profond à l'aide de l'environnement Google Colab.

À la fin de cette formation, les participants seront capables de :

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
• Comprendre les fondamentaux des réseaux neuronaux.
• Implémenter des modèles d'apprentissage profond à l'aide de TensorFlow.
• Former et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à utiliser des Python bibliothèques pour le NLP en créant une application qui traite un ensemble d'images et génère des légendes.&nbsp ;

A l'issue de cette formation, les participants seront capables de :

• Concevoir et coder DL pour le NLP en utilisant des Python bibliothèques.
• Créer Python un code qui lit une énorme collection d'images et génère des mots-clés.
• Créer Python code qui génère des légendes à partir des mots-clés détectés.

Public cible

Ce cours s'adresse aux chercheurs et ingénieurs en Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse des images informatiques

Ce cours fournit des exemples fonctionnels.

Cette formation en <loc&gt ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent utiliser TensorFlow pour analyser des données de fraude potentielle.

A l'issue de cette formation, les participants seront capables de :

• Créer un modèle de détection de fraude dans Python et TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'IA de bout en bout pour l'analyse des données de fraude.

Cette formation dirigée par un instructeur en <loc&gt ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent utiliser Tensorflow 2.x pour construire des prédicteurs, des classificateurs, des modèles génératifs, des réseaux neuronaux et ainsi de suite.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond dans le cloud, les appareils mobiles et IoT.

Dans cette formation en direct avec instructeur (en ligne ou sur site), les participants apprendront à configurer et à utiliser TensorFlow Serving pour déployer et gérer des modèles de ML dans un environnement de production.

A l'issue de cette formation, les participants seront capables de :

• Former, exporter et servir divers modèles TensorFlow.
• Tester et déployer des algorithmes en utilisant une seule architecture et un ensemble d'API.
• Étendre TensorFlow Serving pour servir d'autres types de modèles au-delà des modèles TensorFlow.

TensorFlow est une API de 2e génération de la bibliothèque open source de Google pour le Deep Learning. Le système est conçu pour faciliter la recherche en apprentissage automatique, et pour rendre rapide et facile la transition d'un prototype de recherche à un système de production.

Public cible

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets de Deep Learning.

À l'issue de ce cours, les participants seront capables de :

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer des tâches d'installation, de configuration de l'environnement de production et d'architecture
• évaluer la qualité du code, effectuer le débogage et la surveillance
• mettre en œuvre des fonctionnalités avancées de production comme l'entraînement des modèles, la construction de graphes et la journalisation

Ce cours explore, avec des exemples spécifiques, l'application de Tensor Flow aux fins de la reconnaissance d'images

Public cible

Ce cours s'adresse aux ingénieurs cherchant à utiliser TensorFlow à des fins de reconnaissance d'images

Après avoir suivi ce cours, les participants seront en mesure de:

• comprendre la structure de TensorFlow et ses mécanismes de déploiement
• effectuer des tâches d'installation, d'environnement de production, d'architecture et de configuration
• évaluer la qualité du code, effectuer le débogage et la surveillance
• mettre en œuvre des fonctionnalités avancées de production comme l'entraînement de modèles, la construction de graphiques et la journalisation

Cette formation en direct avec instructeur en <loc&gt ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent passer de la formation d'un seul modèle de ML au déploiement de nombreux modèles de ML en production.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TFX et les outils tiers correspondants.
• Utiliser TFX pour créer et gérer un pipeline de production ML complet.
• Travailler avec les composants TFX pour effectuer la modélisation, l'entraînement, l'inférence et la gestion des déploiements.
• Déployez des fonctions d'apprentissage automatique dans des applications web, des applications mobiles, des appareils IoT et bien plus encore.

TensorFlow™ est une bibliothèque de logiciels open source pour les calculs numériques en utilisant des graphes de flux de données.

SyntaxNet est un cadre de traitement du langage naturel basé sur les réseaux de neurones pour TensorFlow.

Word2Vec est utilisé pour apprendre des représentations vectorielles des mots, appelées "embeddings de mots". Word2vec est un modèle prédictif particulièrement efficace en termes de calcul pour apprendre des embeddings de mots à partir de texte brut. Il existe en deux versions, le modèle Continuous Bag-of-Words (CBOW) et le modèle Skip-Gram (Chapitre 3.1 et 3.2 dans Mikolov et al.).

Utilisés conjointement, SyntaxNet et Word2Vec permettent aux utilisateurs de générer des modèles d'embeddings appris à partir d'entrées en langage naturel.

Public cible

Ce cours s'adresse aux développeurs et ingénieurs qui souhaitent travailler avec les modèles SyntaxNet et Word2Vec dans leurs graphes TensorFlow.

À la fin de ce cours, les participants pourront :

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer des tâches d'installation, d'environnement de production, d'architecture et de configuration
• évaluer la qualité du code, effectuer le débogage et la surveillance
• implémenter des tâches de production avancées comme l'entraînement des modèles, l'embedding des termes, la construction de graphes et la journalisation

Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux de neurones et, plus généralement, sur les algorithmes d'apprentissage automatique, l'apprentissage profond (algorithmes et applications).

La partie 1 (40%) de cette formation se concentre principalement sur les fondamentaux, mais vous aidera à choisir la bonne technologie : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La partie 2 (20%) de cette formation introduit Theano - une bibliothèque Python qui facilite l'écriture de modèles d'apprentissage profond.

La partie 3 (40%) de la formation se concentrera principalement sur TensorFlow - l'API de la bibliothèque logicielle open source de Google pour l'apprentissage profond. Tous les exemples et exercices pratiques seront réalisés avec TensorFlow.

Public cible

Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond

Après avoir suivi ce cours, les participants seront en mesure de :

• bien comprendre les réseaux de neurones profonds (DNN), CNN et RNN
• comprendre la structure et les mécanismes de déploiement de TensorFlow
• être en mesure d'effectuer des tâches d'installation, de configuration et d'architecture d'environnement de production
• être en mesure d'évaluer la qualité du code, de déboguer et de surveiller
• être en mesure de mettre en œuvre des tâches avancées telles que l'entraînement de modèles, la construction de graphes et la journalisation