Formation Deep Learning en Dartmouth

Cette formation en présentiel ou à distance, animée par un instructeur, s'adresse aux développeurs de niveau intermédiaire, aux data scientists et aux praticiens de l'IA souhaitant tirer parti de TensorFlow Lite pour des applications Edge AI.

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

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

Cette formation en direct, animée par un instructeur, en Dartmouth (en ligne ou en présentiel), s'adresse aux professionnels de niveau avancé souhaitant approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués avec Google Colab.

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

• Créer et entraîner des réseaux neuronaux convolutifs (CNN) avec TensorFlow.
• Tirer parti de Google Colab pour un développement de modèles évolutif et efficace dans le cloud.
• 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 l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct animée par un instructeur à Dartmouth (en ligne ou en présentiel) s'adresse aux data scientists et développeurs de niveau intermédiaire qui souhaitent comprendre et appliquer des techniques d'apprentissage profond en utilisant l'environnement Google Colab.

À la fin de cette formation, les participants seront en mesure 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.
• Entraîner et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Cette formation en direct, animée par un formateur à Dartmouth (en ligne ou sur site), s’adresse aux professionnels de niveau avancé souhaitant se spécialiser dans les techniques d’apprentissage profond de pointe pour la CLN.

À l’issue de cette formation, les participants seront capables de :

• Comprendre les différences clés entre les modèles de CLN et de TAL.
• Appliquer des techniques avancées d’apprentissage profond aux tâches de CLN.
• Explorer des architectures profondes telles que les transformeurs et les mécanismes d’attention.
• Exploiter les tendances futures de la CLN pour concevoir des systèmes d’intelligence artificielle sophistiqués.

Cette formation en direct, animée par un formateur à Dartmouth (en ligne ou sur site), s'adresse à des professionnels de niveau avancé souhaitant explorer les techniques de pointe en matière d'IA explicable (XAI) pour les modèles d'apprentissage profond, avec un accent particulier sur la création de systèmes d'IA interprétables.

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

• Comprendre les défis liés à l'explicabilité dans l'apprentissage profond.
• Mettre en œuvre des techniques d'IA explicable avancées pour les réseaux de neurones.
• Interpréter les décisions prises par les modèles d'apprentissage profond.
• Évaluer les compromis entre performance et transparence.

Cette formation en direct, animée par un formateur à Dartmouth (en ligne ou en présentiel), s'adresse aux scientifiques des données, ingénieurs en apprentissage automatique, chercheurs en apprentissage profond et experts en vision par ordinateur de niveau intermédiaire à avancé souhaitant élargir leurs connaissances et compétences dans le domaine de la génération d'images à partir de texte.

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

• Comprendre les architectures et techniques avancées d'apprentissage profond pour la génération d'images à partir de texte.
• Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
• Optimiser les performances et la scalabilité pour de grands ensembles de données et des modèles complexes.
• Ajuster les hyperparamètres afin d'améliorer les performances du modèle et sa capacité de généralisation.
• Intégrer Stable Diffusion avec d'autres frameworks et outils d'apprentissage profond

Cette formation en direct dirigée par un instructeur à Dartmouth (en ligne ou sur site) s'adresse aux professionnels de niveau avancé qui souhaitent exploiter les techniques d'IA pour révolutionner les processus de découverte et de développement de médicaments.

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

• Comprendre le rôle de l'IA dans la découverte et le développement de médicaments.
• Appliquer des techniques d'apprentissage automatique pour prédire les propriétés moléculaires et les interactions.
• Utiliser des modèles d'apprentissage profond pour le criblage virtuel et l'optimisation des molécules candidates.
• Intégrer des approches pilotées par l'IA dans le processus des essais cliniques.

Cette formation en présentiel ou à distance, animée par un formateur, s'adresse aux biologistes souhaitant comprendre le fonctionnement d'AlphaFold et utiliser les modèles générés par AlphaFold comme guides dans leurs études expérimentales.

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

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

Cette formation en présentiel ou en ligne, dirigée par un formateur, s'adresse aux data scientists et ingénieurs en apprentissage automatique de niveau débutant à intermédiaire souhaitant améliorer les performances de leurs modèles d'apprentissage profond.

À la fin de cette formation, les participants seront capables 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 mémoire.

Cette formation en présentiel ou en ligne, encadrée par un formateur, à Dartmouth, s'adresse aux développeurs débutants ou intermédiaires souhaitant utiliser les grands modèles de langage pour diverses tâches de traitement du langage naturel.

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

• Mettre en place un environnement de développement incluant un LLM populaire.
• Créer un LLM basique et l'affiner (fine-tuning) sur un jeu de données personnalisé.
• Utiliser les LLM pour différentes tâches de traitement du langage naturel, telles que la synthèse de texte, la réponse aux questions, la génération de texte, etc.
• Dépanner et évaluer les LLM à l'aide d'outils tels que TensorBoard, PyTorch Lightning et Hugging Face Datasets.

Cette formation en présentiel ou en ligne, animée par un instructeur, s'adresse aux data scientists, ingénieurs en apprentissage automatique et chercheurs en vision par ordinateur souhaitant exploiter Stable Diffusion pour générer des images de haute qualité à l'intention de divers 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 translation d'image à image.
• Optimiser les performances et la stabilité des modèles Stable Diffusion.

Lors de cette formation en présentiel encadrée par un formateur à Dartmouth, les participants apprendront les techniques de machine learning les plus pertinentes et les plus pointues en Python, tout en développant une série d'applications de démonstration manipulant des données image, musicales, textuelles et financières.

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

• Mettre en œuvre des algorithmes et des techniques de machine learning pour résoudre des problèmes complexes.
• Appliquer l'apprentissage profond et l'apprentissage semi-supervisé à des applications impliquant des données image, musicales, textuelles et financières.
• Exploiter au maximum les capacités des algorithmes Python.
• Utiliser des bibliothèques et des packages tels que NumPy et Theano.

Il s’agit d’un cours de 4 jours qui présente l’intelligence artificielle (IA) et ses applications à l’aide du langage de programmation Python. Un jour supplémentaire est optionnel afin de réaliser un projet d’IA à l’issue de ce cours.

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 grâce à leur interaction avec leur environnement. Il sous-tend de nombreuses avancées modernes en IA, telles que 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 et l'erreur, en utilisant un apprentissage par récompense.

Cette formation dirigée par un instructeur (en ligne ou sur site) s'adresse aux développeurs et aux scientifiques des données de niveau intermédiaire souhaitant 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.
• Implémenter des algorithmes RL clés, notamment Q-Learning, les gradients de politique et les méthodes Actor-Critic.
• Construire et entraîner des agents d'apprentissage par renforcement profond en utilisant 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 à l'aide d'outils modernes.

Format du cours

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

Options de personnalisation du cours

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

Lors de cette formation en présentiel animée par un instructeur dans Dartmouth, les participants apprendront à implémenter des modèles d'apprentissage profond pour les télécommunications en utilisant Python, étape par étape, en élaborant un modèle d'évaluation du risque de crédit par apprentissage profond.

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

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

Ce cours a été conçu pour les gestionnaires, les architectes de solutions, les responsables de l'innovation, les CTO, les architectes logiciels et toute personne intéressée par une vue d'ensemble de l'intelligence artificielle appliquée et par les prévisions les plus proches concernant son développement.

Ce cours porte sur l'IA (en mettant l'accent sur l'apprentissage automatique et l'apprentissage profond) dans le secteur automobile. Il permet de déterminer quelles technologies peuvent (éventuellement) être utilisées dans divers scénarios au sein d'un véhicule : de l'automatisation basique à la reconnaissance d'images, en passant par la prise de décision autonome.

Formation en direct, dirigée par un formateur, à <lieu> (en ligne ou sur site), destinée aux participants débutants souhaitant apprendre les concepts essentiels en probabilités, statistiques, programmation et apprentissage automatique, et les appliquer au développement de solutions d'IA.

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

• Comprendre les concepts de base en probabilités et statistiques, et les appliquer à des situations réelles.
• Rédiger et comprendre du code procédural, fonctionnel et orienté objet.
• Mettre en œuvre des techniques d'apprentissage automatique telles que la classification, le regroupement (clustering) et les réseaux de neurones.
• Développer des solutions d'IA à l'aide de moteurs de règles et de systèmes experts pour la résolution de problèmes.

Un réseau neuronal artificiel (RNA) est un modèle de données computationnel utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches « intelligentes ». Les réseaux neuronaux sont couramment employés dans les applications d'apprentissage automatique (ML), qui constituent l'une des implémentations de l'IA. L'apprentissage profond (Deep Learning) est un sous-ensemble de l'apprentissage automatique.

Ce cours de quatre jours présente l'intelligence artificielle et ses applications. Il est possible d'ajouter une journée supplémentaire pour réaliser un projet d'IA à la fin de cette formation.

Cette formation en direct animée par un instructeur à Dartmouth (en ligne ou sur site) s'adresse aux data scientists et statisticiens de niveau intermédiaire qui souhaitent préparer des données, construire des modèles et appliquer efficacement des techniques d'apprentissage automatique dans leur domaine professionnel.

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

• Comprendre et mettre en œuvre divers algorithmes d'apprentissage automatique.
• Préparer les données et les modèles pour des applications d'apprentissage automatique.
• Conduct des analyses a posteriori et visualiser les résultats efficacement.
• Appliquer des techniques d'apprentissage automatique à des scénarios réels, spécifiques à un secteur.

Cette formation en direct, dirigée par un formateur à Dartmouth (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 facilitant le débogage du code.

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

• Configurer l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et implémenter 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'entraînement en apprentissage profond, tout en tirant parti des GPU pour des performances élevées.

Ce cours en direct, animé par un formateur à Dartmouth (en ligne ou en présentiel), offre une introduction au domaine de la reconnaissance de motifs et de l'apprentissage automatique. Il aborde des applications pratiques en statistiques, en informatique, en traitement du signal, en vision par ordinateur, en fouille de données et en bio-informatique.

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

• Appliquer les méthodes statistiques fondamentales à la reconnaissance de motifs.
• Utiliser des modèles clés tels que les réseaux neuronaux et les méthodes noyau pour l'analyse de données.
• Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
• Améliorer la précision des prévisions en combinant différents modèles.

Ce cours offre une vue d'ensemble générale du deep learning sans entrer dans les détails de méthodes spécifiques. Il convient aux personnes souhaitant commencer à utiliser le deep learning pour améliorer la précision de leurs prédictions.

Cette formation en présentiel ou en ligne, dirigée par un formateur, dans Dartmouth s'adresse aux chercheurs et aux développeurs souhaitant installer, configurer, personnaliser et utiliser la plateforme DeepMind Lab pour développer des systèmes d'intelligence artificielle générale et d'apprentissage automatique.

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

• Personnaliser DeepMind Lab pour créer et exécuter un environnement adapté aux besoins d'apprentissage et de formation.
• Utiliser l'environnement de simulation 3D de DeepMind Lab pour entraîner des agents d'apprentissage dans une perspective à la première personne.
• Faciliter l'évaluation des agents afin de développer l'intelligence dans un monde en 3D semblable à un jeu.

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs sont capables 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, comme les réseaux de neurones.

Ce formation dirigée par un instructeur, en direct à Dartmouth (en ligne ou sur site), s'adresse aux analystes d'affaires, aux scientifiques des données et aux développeurs souhaitant concevoir et mettre en œuvre des modèles d'apprentissage profond afin d'accélérer la croissance des revenus et de résoudre des problèmes commerciaux.

À 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 perspectives sur l'avenir des affaires et de l'industrie grâce à l'apprentissage automatique (ML) et à l'apprentissage profond (DL).
• Définir des stratégies et des solutions commerciales à l'aide de l'apprentissage profond.
• Apprendre à appliquer les techniques de science des données et d'apprentissage profond pour résoudre des problèmes commerciaux.
• Construire des modèles d'apprentissage profond en utilisant Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

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

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

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

Public cible

Ce cours s'adresse aux chercheurs et aux ingénieurs en apprentissage profond qui souhaitent exploiter les outils disponibles (principalement open source) pour analyser des images issues de la vision par ordinateur

Ce cours propose des exemples concrets.

Cette formation animée par un instructeur à <lieu> (en ligne ou sur site) s'adresse aux scientifiques des données qui souhaitent accélérer les applications d'apprentissage automatique en temps réel et les déployer à grande échelle.

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

• Installer le kit OpenVINO.
• Accélérer une application de vision par ordinateur 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 animée par un instructeur en Dartmouth (en ligne ou en présentiel) s'adresse aux scientifiques des données qui souhaitent utiliser TensorFlow pour analyser des données potentielles de fraude.

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

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

Cette formation en présentiel ou à distance dans Dartmouth (en ligne ou en présentiel) s'adresse aux développeurs ou aux scientifiques des données qui souhaitent utiliser Horovod pour exécuter des entraînements d'apprentissage profond distribués et les mettre à l'échelle pour qu'ils s'exécutent sur plusieurs GPU en parallèle.

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

• Configurer l'environnement de développement nécessaire pour commencer à exécuter des entraînements d'apprentissage profond.
• Installer et configurer Horovod pour entraîner des modèles avec TensorFlow, Keras, PyTorch et Apache MXNet.
• Mettre à l'échelle l'entraînement d'apprentissage profond avec Horovod pour s'exécuter sur plusieurs GPU.

Type : Session théorique intégrant des applications pratiques définies à l'avance avec les participants, utilisant soit Lasagne, soit Keras selon le groupe pédagogique.

Méthode pédagogique : Présentations interactives, échanges d'idées et analyse de cas concrets.

L'intelligence artificielle, après avoir transformé de nombreux domaines scientifiques, s'est mise à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communications, etc.). Pourtant, sa couverture médiatique relève souvent du fantasme, s'éloignant considérablement de la réalité des domaines du Machine Learning et du Deep Learning. Cette formation a pour objectif d'offrir aux ingénieurs possédant déjà une maîtrise des outils informatiques (incluant des bases en programmation logicielle) une introduction au Deep Learning, à ses différents champs de spécialisation, ainsi qu'aux principales architectures de réseaux existantes aujourd'hui. Bien que les fondements mathématiques soient rappelés durant le cours, un niveau mathématique de type BAC+2 est recommandé pour assurer un confort d'apprentissage optimal. Il est techniquement possible de se concentrer exclusivement sur une vision « système » en ignorant l'aspect mathématique, mais cette approche limiterait considérablement la compréhension globale du sujet.

Cette formation animée par un instructeur en <lieu> (en ligne ou sur site) s'adresse aux professionnels techniques souhaitant appliquer des modèles d'apprentissage profond à des applications de reconnaissance d'images.

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

• Installer et configurer Keras.
• Prototyper rapidement des modèles d'apprentissage profond.
• Mettre en œuvre un réseau convolutif.
• Mettre en œuvre un réseau récurrent.
• Exécuter un modèle d'apprentissage profond sur un processeur central (CPU) et un processeur de calcul graphique (GPU).

Dans le cadre de cette formation en présentiel animée par un instructeur, les participants apprendront à utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones convolutif (CNN) destiné à la reconnaissance d'images.

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

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

Public cible

• Développeurs
• Ingénieurs
• Experts du domaine

Format de la formation

• Cours magistral, discussions, exercices et pratique intensive en atelier

Cette formation en direct animée par un formateur à Dartmouth (en ligne ou sur site) s'adresse aux professionnels de niveau débutant à intermédiaire souhaitant approfondir leur compréhension des algorithmes d'apprentissage automatique, des techniques d'apprentissage profond et de la prise de décision alimentée par l'IA. Le cours offre une expérience pratique des concepts d'apprentissage automatique, des modèles d'apprentissage profond et des implémentations concrètes en utilisant R.

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

• Comprendre les fondamentaux de l'apprentissage automatique et de l'apprentissage profond.
• Appliquer divers algorithmes d'apprentissage automatique pour la régression, la classification, le clustering et la détection d'anomalies.
• Utiliser des architectures d'apprentissage profond telles que les réseaux de neurones artificiels (RNA).
• Implémenter des modèles d'apprentissage supervisé et non supervisé.
• Évaluer la performance des modèles et optimiser les hyperparamètres.
• Utiliser R pour l'analyse de données, la visualisation et les applications d'apprentissage automatique.

Cette formation s'adresse aux personnes souhaitant apprendre les fondamentaux des réseaux neuronaux et leurs applications.

Cette séance de formation en présentiel comprendra des présentations ainsi que des exemples informatiques et des exercices d'études de cas à réaliser à l'aide de bibliothèques pertinentes dédiées aux réseaux neuronaux et aux réseaux profonds.

Cette formation en direct, animée par un formateur à Dartmouth (en ligne ou en présentiel), s’adresse aux ingénieurs en logiciel souhaitant programmer en Python avec OpenCV 4 pour l’apprentissage profond.

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

• Afficher, charger et classifier des images et des vidéos à l’aide d’OpenCV 4.
• Mettre en œuvre l’apprentissage profond dans 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 le cadre de cette formation en présentiel animée par un formateur, les participants apprendront des techniques avancées d'apprentissage machine avec R en créant pas à pas une application concrète.

À la fin 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 acquérir rapidement des connaissances, prendre des décisions et affiner davantage l'analyse.
• Améliorer les performances d'un modèle d'apprentissage machine en utilisant le réglage des hyperparamètres.
• Mettre un modèle en production pour qu'il soit utilisé dans une application plus large.
• Appliquer des techniques avancées d'apprentissage machine pour répondre à des questions impliquant des données de réseaux sociaux, des données massives, et plus encore.

Ce cours est une introduction à l'application des réseaux de neurones sur des problèmes concrets en utilisant le logiciel R-project.

Cette formation en direct animée par un formateur en Dartmouth (en ligne ou sur site) s'adresse aux développeurs et aux data scientists qui souhaitent utiliser Tensorflow 2.x pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc.

À la fin de cette formation, les participants seront en mesure 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 sur le cloud, les appareils mobiles et les dispositifs IoT.

Cette formation en direct, dirigée par un formateur, en Dartmouth (en ligne ou sur site), s'adresse aux ingénieurs qui souhaitent écrire, charger et exécuter des modèles d'apprentissage automatique sur des appareils intégrés de très petite taille.

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

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

Lors de cette formation en direct animée par un formateur dans <lieu> (en ligne ou sur site), les participants apprendront à configurer et à utiliser TensorFlow Serving pour déployer et gérer des modèles ML dans un environnement de production.

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

• Former, exporter et mettre à disposition divers modèles TensorFlow.
• Tester et déployer des algorithmes en utilisant une architecture unique et un ensemble d'APIs.
• Étendre TensorFlow Serving pour mettre à disposition d'autres types de modèles au-delà des modèles TensorFlow.

TensorFlow est l’API de deuxième génération de la bibliothèque open source de Google dédiée à l’apprentissage profond. Ce système a été conçu pour faciliter la recherche en apprentissage automatique et permettre de passer rapidement et facilement d’un prototype de recherche à un système de production.

Public cible

Ce cours s’adresse aux ingénieurs qui souhaitent utiliser TensorFlow pour leurs projets d’apprentissage profond.

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

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• réaliser les tâches d’installation, de configuration de l’environnement de production et d’architecture
• évaluer la qualité du code, effectuer du débogage et de la surveillance
• mettre en œuvre des modèles d’entraînement en production avancés, construire des graphes et gérer la journalisation

Ce cours explore, à l'aide d'exemples concrets, l'application de TensorFlow aux fins de la reconnaissance d'images.

Public visé

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour la reconnaissance d'images.

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

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• réaliser les 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 telles que l'entraînement des modèles, la construction de graphiques et la journalisation

Cette formation en direct dirigée par un instructeur en <lieu> (en ligne ou sur site) s'adresse aux scientifiques des données qui souhaitent passer de l'entraînement d'un seul modèle ML au déploiement de plusieurs modèles ML en production.

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

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

TensorFlow™ est une bibliothèque logicielle open source destinée au calcul numérique à l’aide de graphes de flux de données.

SyntaxNet est un framework de Traitement du langage naturel (TLN) basé sur des réseaux de neurones, conçu pour TensorFlow.

Word2Vec est utilisé pour apprendre des représentations vectorielles des mots, appelées « plongeages lexicaux » (word embeddings). Word2vec est un modèle prédictif particulièrement efficace en termes de calcul pour apprendre ces plongeages lexicaux à partir de texte brut. Il existe sous deux variantes : le modèle Sac-de-mots continu (CBOW) et le modèle Skip-gram (chapitres 3.1 et 3.2 dans l’ouvrage de Mikolov et al.).

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

Public cible

Ce cours s’adresse aux développeurs et ingénieurs qui ont l’intention d’utiliser les modèles SyntaxNet et Word2Vec dans leurs graphes TensorFlow.

À l’issue de ce cours, les participants seront en mesure de :

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer les tâches d’installation, de configuration de l’environnement de production et d’architecture
• évaluer la qualité du code, procéder au débogage et à la surveillance
• mettre en œuvre des fonctionnalités avancées de type production, telles que l’entraînement de modèles, l’incorporation de termes, la construction de graphes et la journalisation

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

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

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

La partie 3 (40 %) de la formation sera largement basée sur TensorFlow, l'API de la bibliothèque open source de Google dédiée à l'apprentissage profond. Tous les exemples et ateliers pratiques seront réalisés dans TensorFlow.

Audience

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond.

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

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