Formation Détection de la Fraude avec Python et TensorFlow

Il s'agit d'un cours de 4 jours introduisant l'IA et ses applications. Il est possible de disposer d'une journée supplémentaire pour entreprendre un projet d'IA à l'issue de ce cours.

Cette formation en <loc&gt ; (en ligne ou sur site) est destinée aux data scientists et aux ingénieurs logiciels qui souhaitent utiliser Dask avec l'écosystème Python pour construire, mettre à l'échelle et analyser de grands ensembles de données.

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

• Mettre en place l'environnement pour commencer à construire des traitements de big data avec Dask et Python.
• Explorer les fonctionnalités, les bibliothèques, les outils et les API disponibles dans Dask.
• Comprendre comment Dask accélère le calcul parallèle en Python.
• Apprendre à faire évoluer l'écosystème Python (Numpy, SciPy et Pandas) en utilisant Dask.
• Optimiser l'environnement Dask pour maintenir de hautes performances dans le traitement de grands ensembles de données.

Ce formation en direct, dirigée par un formateur (en ligne ou sur site) est destinée aux développeurs et analystes de données intermédiaires qui souhaitent améliorer leurs compétences en analyse et manipulation des données à l'aide de Python, Pandas et NumPy.

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

• Configurer un environnement de développement comprenant Python, Pandas et NumPy.
• Créer une application d'analyse des données utilisant Pandas et NumPy.
• Réaliser des opérations avancées de préparation, de tri et de filtrage des données.
• Conduire des opérations agrégées et analyser les séries temporelles.
• Visualiser les données à l'aide de Matplotlib et d'autres bibliothèques de visualisation.
• Déboguer et optimiser leur code d'analyse des données.

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.

Ce cours de formation dirigé par un instructeur (en ligne ou sur site) est destiné aux développeurs qui souhaitent utiliser la pile FARM (FastAPI, React et MongoDB) pour créer des applications web dynamiques, haute performance et évolutives.

À la fin de cette formation, les participants seront en mesure de :

• Mettre en place l'environnement de développement nécessaire intégrant FastAPI, React et MongoDB.
• Comprendre les concepts clés, les fonctionnalités et les avantages de la pile FARM.
• Apprendre à construire des API REST avec FastAPI.
• Apprendre à concevoir des applications interactives avec React.
• Développer, tester et déployer des applications (front end et back end) en utilisant la pile FARM.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser FastAPI avec Python pour créer, tester et déployer des API RESTful plus facilement et plus rapidement.

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

• Configurer l'environnement de développement nécessaire pour développer des API avec Python et FastAPI.
• Créer des API plus rapidement et plus facilement en utilisant la bibliothèque FastAPI.
• Apprendre à créer des modèles de données et des schémas basés sur Pydantic et OpenAPI.
• Connecter les API à une base de données en utilisant SQLAlchemy.
• Implémenter la sécurité et l'authentification dans les API en utilisant les outils FastAPI.
• Construire des images conteneur et déployer des API web sur un serveur cloud.

Cette formation en direct avec instructeur dans Belgique (en ligne ou sur site) est destinée aux scientifiques des données et aux développeurs qui souhaitent utiliser Modin pour construire et mettre en œuvre des calculs parallèles avec Pandas afin d'accélérer l'analyse des données.

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

• Mettre en place l'environnement nécessaire pour commencer à développer des flux de travail Pandas à l'échelle avec Modin.
• Comprendre les caractéristiques, l'architecture et les avantages de Modin.
• Connaître les différences entre Modin, Dask et Ray.
• Effectuer des opérations Pandas plus rapidement avec Modin.
• Mettre en œuvre l'ensemble de l'API et des fonctions Pandas.

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