Formation Deep Learning en Bruges

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs intermédiaires, scientifiques des données et praticiens de l'IA qui souhaitent utiliser TensorFlow Lite pour les applications d'IA Edge.

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

• Comprendre les fondamentaux de TensorFlow Lite et son rôle dans l'IA Edge.
• Développer et optimiser des modèles d'IA en utilisant TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils Edge.
• Utiliser les outils et techniques pour la conversion et l'optimisation de modèles.
• Mettre en œuvre des applications d'IA Edge pratiques à l'aide de TensorFlow Lite.

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.

Cette formation en direct avec instructeur en Bruges (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent se spécialiser dans les techniques d'apprentissage profond de pointe pour NLU.

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

• Comprendre les principales différences entre les modèles NLU et NLP.
• Appliquer des techniques avancées d'apprentissage profond aux tâches NLU.
• Explorer les architectures profondes telles que les transformateurs et les mécanismes d'attention.
• Tirer parti des tendances futures en matière de NLU pour construire des systèmes d'IA sophistiqués.

Cette formation en direct avec instructeur en Bruges (en ligne ou sur site) s'adresse aux data scientists de niveau intermédiaire à avancé, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage profond et aux experts en vision par ordinateur qui souhaitent élargir leurs connaissances et leurs compétences en apprentissage profond pour la génération de texte à image.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les architectures et les techniques avancées d'apprentissage profond pour la génération texte-image.
• Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
• Optimiser les performances et l'évolutivité pour les grands ensembles de données et les modèles complexes.
• Ajuster les hyperparamètres pour une meilleure performance et généralisation du modèle.
• Intégrer Stable Diffusion avec d'autres cadres et outils d'apprentissage profond.

Cette formation en direct, dirigée par un formateur (en ligne ou sur site) s'adresse aux professionnels de niveau avancé souhaitant utiliser les techniques d'intelligence artificielle pour révolutionner les processus de découverte et développement de médicaments.

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

• Comprendre le rôle de l'intelligence artificielle dans la découverte et le développement des médicaments.
• Appliquer les techniques d'apprentissage automatique pour prédire les propriétés moléculaires et les interactions.
• Utiliser des modèles d'apprentissage profond pour l'écran virtuel et l'optimisation des composés leaders.
• Intégrer les approches basées sur l'intelligence artificielle dans le processus de trial clinique.

Cette formation en direct dans Bruges (en ligne ou sur place) s'adresse aux biologistes qui souhaitent comprendre le fonctionnement de AlphaFold et utiliser les modèles AlphaFold comme guides dans leurs études expérimentales.

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

• Comprendre les principes de base de AlphaFold.
• Apprendre comment fonctionne AlphaFold.
• Apprendre à interpréter les prédictions et les résultats de AlphaFold.

Cette formation en direct avec instructeur en Bruges (en ligne ou sur site) s'adresse aux data scientists et ingénieurs en apprentissage automatique de niveau débutant à intermédiaire qui souhaitent améliorer les performances de leurs modèles d'apprentissage profond.

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

• Comprendre les principes de l'apprentissage profond distribué.
• Installer et configurer DeepSpeed.
• Mettre à l'échelle des modèles d'apprentissage profond sur du matériel distribué en utilisant DeepSpeed.
• Mettre en œuvre et expérimenter les fonctionnalités de DeepSpeed pour l'optimisation et l'efficacité de la mémoire.

Cette formation en Bruges (en ligne ou sur site) est destinée aux développeurs de niveau débutant à intermédiaire qui souhaitent utiliser des modèles de langage à grande échelle pour diverses tâches de langage naturel.

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

• Mettre en place un environnement de développement qui inclut un LLM populaire.
• Créer un LLM de base et l'affiner sur un ensemble de données personnalisé.
• Utiliser les LLM pour différentes tâches de langage naturel telles que le résumé de texte, la réponse aux questions, la génération de texte, etc.
• Déboguer et évaluer les LLM en utilisant des outils tels que TensorBoard, PyTorch Lightning, et Hugging Face Datasets.

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent tirer parti de Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'utilisation.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images.
• Construire et entraîner des modèles Stable Diffusion pour des tâches de génération d'images.
• Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image.
• Optimiser les performances et la stabilité des modèles Stable Diffusion.

Dans ce cours dirigé par un instructeur et en direct à Bruges, les participants apprendront les techniques de machine learning les plus pertinentes et innovantes en Python tout en construisant une série d'applications démonstratives impliquant des images, de la musique, du texte et des données financières.

À la fin de ce cours, les participants seront capables de :

• Mettre en œuvre des algorithmes et techniques de machine learning pour résoudre des problèmes complexes.
• Appliquer l'apprentissage profond et semi-supervisé à des applications impliquant des images, de la musique, du texte et des données financières.
• Pousser les algorithmes Python à leur potentiel maximum.
• Utiliser des bibliothèques et packages tels que NumPy et Theano.

L'apprentissage par renforcement profond (DRL) combine les principes de l'apprentissage par renforcement avec des architectures d'apprentissage profond pour permettre aux agents de prendre des décisions à travers leur interaction avec leurs environnements. Il sous-tend de nombreuses avancées modernes en IA, comme les véhicules autonomes, le contrôle robotique, le trading algorithmique et les systèmes de recommandation adaptatifs. Le DRL permet à un agent artificiel d'apprendre des stratégies, d'optimiser des politiques et de prendre des décisions autonomes basées sur l'essai-erreur en utilisant un apprentissage basé sur la récompense.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données de niveau intermédiaire qui souhaitent apprendre et appliquer les techniques d'apprentissage par renforcement profond pour construire des agents intelligents capables de prendre des décisions autonomes dans des environnements complexes.

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

• Comprendre les fondements théoriques et les principes mathématiques de l'apprentissage par renforcement.
• Mettre en œuvre des algorithmes clés d'RL, notamment Q-Learning, Policy Gradients et les méthodes Actor-Critic.
• Construire et entraîner des agents d'apprentissage par renforcement profond à l'aide de TensorFlow ou PyTorch.
• Appliquer le DRL à des applications réelles telles que les jeux, la robotique et l'optimisation des décisions.
• Dépanner, visualiser et optimiser les performances d'entraînement en utilisant des outils modernes.

Format du cours

• Conférence interactive et discussion guidée.
• Exercices pratiques et mises en œuvre concrètes.
• Démonstrations de codage en direct et applications basées sur des projets.

Options d'adaptation du cours

• Pour demander une version adaptée de ce cours (par exemple, en utilisant PyTorch au lieu de TensorFlow), veuillez nous contacter pour organiser.

Dans cette formation en direct avec instructeur à Bruges, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour les télécommunications en utilisant Python, tout en progressant dans la création d'un modèle de risque de crédit d'apprentissage profond.

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

• Comprendre les concepts fondamentaux de l'apprentissage profond.
• Apprendre les applications et les utilisations de l'apprentissage profond dans les télécommunications.
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond pour les télécommunications.
• Construire leur propre modèle d'apprentissage profond de prédiction du désabonnement des clients en utilisant Python.

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.

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.

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.

Le réseau de neurones artificiels est un modèle de données informatiques utilisé dans le développement de systèmes Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Les réseaux de neurones artificiels Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une mise en œuvre de l'IA. Le Deep Learning est un sous-ensemble du ML.

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 direct (en ligne ou sur site) est destinée aux scientifiques des données et statisticiens de niveau intermédiaire qui souhaitent préparer des données, construire des modèles et appliquer efficacement les techniques d'apprentissage automatique dans leurs domaines professionnels.

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

• Comprendre et implémenter divers algorithmes Machine Learning.
• Préparer des données et des modèles pour les applications d'apprentissage automatique.
• Réaliser des analyses post hoc et visualiser efficacement les résultats.
• Appliquer les techniques d'apprentissage automatique à des scénarios réels, spécifiques au secteur.

Réseau de Neurones Artificiels est un modèle de données informatique utilisé dans le développement de systèmes d'Intelligence Artificielle (IA) capables d'effectuer des tâches "intelligentes". Les Réseaux de Neurones sont couramment utilisés dans les applications d'Apprentissage Automatique (ML), qui sont elles-mêmes une implémentation de l'IA. L'Apprentissage Profond est un sous-ensemble de l'Apprentissage Automatique.

Caffe est un cadre de deep learning conçu avec expression, rapidité et modularité à l'esprit.

Ce cours explore l'application de Caffe comme cadre de deep learning pour la reconnaissance d'images en utilisant MNIST comme exemple.

Public cible

Ce cours convient aux chercheurs et ingénieurs en Deep Learning intéressés par l'utilisation de Caffe comme cadre.

À la fin de ce cours, les participants seront capables de:

• comprendre la structure et les mécanismes de déploiement de Caffe
• effectuer des tâches d'installation / environnement de production / architecture et de configuration
• évaluer la qualité du code, effectuer le débogage et la surveillance
• mettre en œuvre des fonctionnalités avancées de production telles que l'entraînement de modèles, l'implémentation de couches et la journalisation

Cette formation en Bruges (en ligne ou sur site) s'adresse aux chercheurs et aux développeurs qui souhaitent utiliser Chainer pour construire et entraîner des réseaux neuronaux en Python tout en rendant le code facile à déboguer.

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

• Mettre en place l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et mettre en œuvre des modèles de réseaux neuronaux à l'aide d'un code source compréhensible.
• Exécuter des exemples et modifier des algorithmes existants pour optimiser les modèles d'apprentissage profond tout en tirant parti des GPUs pour obtenir de hautes performances.

Computer Network ToolKit (CNTK) est Microsoft un cadre d'apprentissage machine Open Source, multi-machine, multiGPU, hautement efficace pour l'apprentissage des RNN pour la parole, le texte et les images.

Audience

Ce cours s'adresse aux ingénieurs et architectes souhaitant utiliser CNTK dans leurs projets.

Cette formation dirigée par un instructeur (en ligne ou sur site) fournit une introduction au domaine de la reconnaissance de formes et de l'apprentissage automatique. Elle aborde des applications pratiques dans les domaines de la statistique, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'exploration de données et de la bio-informatique.

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

• Appliquer des méthodes statistiques fondamentales à la reconnaissance de formes.
• Utiliser des modèles clés comme les réseaux de neurones et les méthodes à noyau pour l'analyse des données.
• Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
• Améliorer la précision des prédictions en combinant différents modèles.

Ce cours est une vue d'ensemble de Deep Learning sans aller trop loin dans les méthodes spécifiques. Il convient aux personnes qui souhaitent commencer à utiliser l'apprentissage profond pour améliorer la précision de leurs prédictions.

Cette formation en Bruges (en ligne ou sur site) est destinée aux chercheurs et aux développeurs qui souhaitent installer, configurer, personnaliser et utiliser la plateforme DeepMind Lab pour développer des systèmes généraux d'intelligence artificielle et d'apprentissage automatique.

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

• Personnaliser DeepMind Lab pour construire et faire fonctionner un environnement adapté aux besoins d'apprentissage et de formation.
• Utiliser l'environnement de simulation 3D de DeepMind Lab pour former des agents d'apprentissage dans un point de vue à la première personne.
• Faciliter l'évaluation des agents pour développer l'intelligence dans un monde de jeu en 3D.

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés. L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations et de structures de données telles que les réseaux neuronaux.

Cette formation en direct avec instructeur à Bruges (en ligne ou sur site) est destinée aux analystes commerciaux, aux scientifiques des données et aux développeurs qui souhaitent construire et mettre en œuvre des modèles d'apprentissage profond pour accélérer la croissance des revenus et résoudre les problèmes dans le monde des affaires.

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

• Comprendre les concepts fondamentaux de l'apprentissage automatique et de l'apprentissage profond.
• Obtenir des informations sur l'avenir des entreprises et de l'industrie grâce à l'apprentissage automatique et à l'apprentissage profond.
• Définir des stratégies et des solutions commerciales avec l'apprentissage profond.
• Apprendre à appliquer la science des données et l'apprentissage profond pour résoudre des problèmes commerciaux.
• Construire des modèles d'apprentissage profond en utilisant Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés. L'apprentissage profond est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations et de structures de données telles que les réseaux neuronaux. Le langage de programmation de haut niveau Python est réputé pour la clarté de sa syntaxe et la lisibilité de son code.

Dans cette formation en direct dirigée par un instructeur, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour la banque en utilisant Python, en procédant à la création d'un modèle de risque de crédit d'apprentissage profond.

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

• Comprendre les concepts fondamentaux de l'apprentissage profond
• Apprendre les applications et les utilisations de l'apprentissage profond dans le secteur bancaire
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond pour la banque
• Construire leur propre modèle de risque de crédit par apprentissage profond en utilisant Python.

Public

• Développeurs
• Scientifiques des données

Format du cours

• En partie conférence, en partie discussion, exercices et pratique intensive.

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 direct avec instructeur en Bruges (en ligne ou sur site) s'adresse aux data scientists qui souhaitent accélérer les applications d'apprentissage automatique en temps réel et les déployer à l'échelle.

À l'issue de cette formation, les participants seront en mesure de :

• Installer la boîte à outils OpenVINO.
• Accélérer une application de vision artificielle en utilisant un FPGA.
• Exécuter différentes couches CNN sur le FPGA.
• Mettre à l'échelle l'application sur plusieurs nœuds dans un cluster Kubernetes.

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 en Bruges (en ligne ou sur site) est destinée aux développeurs ou aux scientifiques des données qui souhaitent utiliser Horovod pour exécuter des formations distribuées d'apprentissage profond et le mettre à l'échelle pour l'exécuter sur plusieurs GPU en parallèle.

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

• Mettre en place l'environnement de développement nécessaire pour commencer à exécuter des formations d'apprentissage profond.
• Installer et configurer Horovod pour former des modèles avec TensorFlow, Keras, PyTorch et Apache MXNet.
• Mettre à l'échelle la formation à l'apprentissage profond avec Horovod pour l'exécuter sur plusieurs GPU.

Type : Formation théorique avec applications décidées en amont avec les élèves sur Lasagne ou Keras selon le groupe pédagogique

Méthode pédagogique : présentation, échanges et études de cas

L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui. Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera énormément votre compréhension du sujet.

Cette formation en direct avec instructeur en Bruges (en ligne ou sur site) est destinée aux personnes techniques qui souhaitent appliquer un modèle d'apprentissage profond à des applications de reconnaissance d'images.

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

• Installer et configurer Keras.
• Prototyper rapidement des modèles d'apprentissage profond.
• Implémenter un réseau convolutif.
• Implémenter un réseau récurrent.
• Exécuter un modèle d'apprentissage profond sur un CPU et GPU.

Dans cette formation en direct animée par un instructeur, les participants apprendront à utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones convolutionnels pour la reconnaissance d'images.

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

• Construire un modèle d'apprentissage profond
• Automatiser l'étiquetage des données
• Travailler avec des modèles de Caffe et TensorFlow-Keras
• Former des données en utilisant plusieurs GPU, le cloud ou des clusters

Public cible

• Développeurs
• Ingénieurs
• Experts du domaine

Format de la formation

• Partie conférence, partie discussion, exercices et pratique intensive

Cette formation en direct avec instructeur à Bruges (en ligne ou sur place) est destinée aux professionnels de niveau débutant à intermédiaire qui souhaitent développer leur compréhension des algorithmes d'apprentissage automatique, des techniques d'apprentissage profond et de la prise de décision basée sur l'IA. Le cours offre une expérience pratique des concepts d'apprentissage automatique, des modèles d'apprentissage profond et des implémentations pratiques à l'aide de R.

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

• Comprendre les principes fondamentaux de l'apprentissage automatique et de l'apprentissage profond.
• Appliquer divers algorithmes d'apprentissage automatique pour la régression, la classification, le regroupement et la détection d'anomalies.
• Utiliser des architectures d'apprentissage profond telles que les réseaux de neurones artificiels (ANN).
• Mettre en œuvre des modèles d'apprentissage supervisés et non supervisés.
• Évaluer les performances des modèles et optimiser les hyperparamètres.
• Utiliser R pour l'analyse de données, la visualisation et les applications d'apprentissage automatique.

La formation est destinée aux personnes qui souhaitent apprendre les bases des réseaux neuronaux et leurs applications.

Cette session de formation en classe comprendra des présentations et des exemples pratiques sur ordinateur, ainsi que des exercices d'études de cas à réaliser avec les bibliothèques de réseaux neuronaux et profonds appropriées.

Cette formation en Bruges (en ligne ou sur site) s'adresse aux ingénieurs logiciels qui souhaitent programmer en Python avec OpenCV 4 pour l'apprentissage profond.

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

• Visualiser, charger et classifier des images et des vidéos en OpenCV 4.
• Mettre en œuvre l'apprentissage profond en OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles d'apprentissage profond et générer des rapports percutants à partir d'images et de vidéos.

Dans cette formation en direct dirigée par un instructeur, les participants apprendront des techniques avancées pour Machine Learning avec R tout en créant une application réelle.

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

• Comprendre et mettre en œuvre des techniques d'apprentissage non supervisé
.
• Appliquer le regroupement et la classification pour faire des prédictions basées sur des données réelles.
• Visualiser les données pour obtenir rapidement des informations, prendre des décisions et affiner l'analyse.
• Améliorer les performances d'un modèle d'apprentissage automatique à l'aide de l'optimisation des hyperparamètres.
• Mettre un modèle en production pour l'utiliser dans une application plus vaste.
• Appliquer des techniques avancées d'apprentissage automatique pour répondre à des questions impliquant des données de réseaux sociaux, des données volumineuses, et plus encore.

Ce cours est une introduction à l'application des réseaux neuronaux aux problèmes du monde réel en utilisant le logiciel R-project.

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.

Cette formation en <loc&gt ; (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent écrire, charger et exécuter des modèles d'apprentissage automatique sur de très petits appareils embarqués.

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

• Installer TensorFlow Lite.
• Charger des modèles d'apprentissage automatique sur un appareil embarqué pour lui permettre de détecter la parole, de classer des images, etc.
• Ajouter l'IA aux appareils matériels sans dépendre de la connectivité réseau.

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