Plan du cours

Introduction

Fondamentaux de l'intelligence artificielle et Machine Learning

Comprendre Deep Learning

    Présentation des concepts de base du Deep Learning Différenciation entre Machine Learning et le Deep Learning Présentation des applications du Deep Learning

Aperçu de Neural Networks

    Que sont Neural Networks Neural Networks par rapport aux modèles de régression Comprendre les fondements mathématiques et les mécanismes d'apprentissage Construire un réseau neuronal artificiel Comprendre les nœuds neuronaux et les connexions Travailler avec les neurones, les couches et les données d'entrée et de sortie Comprendre les perceptrons monocouches Différences entre l'apprentissage supervisé et non supervisé Apprentissage Feedforward et commentaires Neural Networks Comprendre la propagation vers l'avant et la propagation arrière Comprendre la mémoire à long terme et à court terme (LSTM) Explorer la récurrence Neural Networks en pratique Explorer la convolution Neural Networks en pratique Améliorer la manière Neural Networks Apprendre

Aperçu des techniques d'apprentissage en profondeur utilisées dans Telecom

    Réseaux de neurones Traitement du langage naturel Reconnaissance d'images Speech Recognition Analyse des sentiments

Explorer les études de cas sur l'apprentissage profond pour Telecom

    Optimiser le routage et la qualité de service grâce à l'analyse du trafic réseau en temps réel Prédire les pannes de réseau et d'appareils, les pannes, les augmentations de demande, etc. Analyser les appels en temps réel pour identifier les comportements frauduleux Analyser le comportement des clients pour identifier la demande de nouveaux produits et services Traiter de grands volumes de SMS Messages pour obtenir des informations Speech Recognition pour les appels d'assistance Configuration des SDN et des réseaux virtualisés en temps réel

Comprendre les avantages du Deep Learning pour Telecom

Explorer les différentes bibliothèques de Deep Learning pour Python

    TensorFlow Difficile

Configuration de Python avec le TensorFlow pour le Deep Learning

    Installation de l'API Python TensorFlow Test de l'installation TensorFlow Configuration de TensorFlow pour le développement Formation de votre premier modèle de réseau neuronal TensorFlow

Configuration Python avec Keras pour le Deep Learning

Créer des modèles simples d'apprentissage en profondeur avec Keras

    Créer un modèle Keras Comprendre vos données Spécifier votre modèle d'apprentissage profond Compiler votre modèle Ajuster votre modèle Travailler avec vos données de classification Travailler avec des modèles de classification Utiliser vos modèles

Travailler avec TensorFlow pour le Deep Learning pour les télécommunications

    Préparation des données Téléchargement des données Préparation des données de formation Préparation des données de test Mise à l'échelle des entrées à l'aide d'espaces réservés et de variables
Spécification de l'architecture du réseau
  • Utiliser la fonction de coût
  • Utiliser l'optimiseur
  • Utilisation des initialiseurs
  • Ajustement du réseau neuronal
  • Construire l'inférence graphique
  • Perte
  • Entraînement
  • Entraîner le modèle Le graphique
  • La session
  • Boucle ferroviaire
  • Évaluation du modèle Création du graphique d'évaluation
  • Évaluation avec la sortie Eval
  • Modèles de formation à grande échelle
  • Visualiser et évaluer des modèles avec TensorBoard
  • Pratique : Création d'un modèle de prévision du désabonnement des clients par apprentissage profond à l'aide de Python
  • Étendre les capacités de votre entreprise
  • Développement de modèles dans le cloud à l'aide de GPU pour accélérer le Deep Learning Application du Deep Learning Neural Networks pour la vision par ordinateur, la reconnaissance vocale et l'analyse de texte
  • Sommaire et conclusion
  • Pré requis

    • Expérience de la programmation Python
    • .
    • Familiarité générale avec les concepts des télécommunications
    • Familiarité de base avec les statistiques et les concepts mathématiques

    Audience

    • Développeurs
    • Data scientists
      28 heures
     

    Nombre de participants


    Début

    Fin


    Dates are subject to availability and take place between 09:30 and 16:30.
    Les formations ouvertes requièrent plus de 3 participants.

    Nos Clients témoignent (5)

    Cours Similaires

    Catégories Similaires