Les réseaux de neurones avec TensorFlow
Présentation
La détection de fraudes par cartes de crédit, les voitures autonomes, l’identification et la reconnaissance vocale, la traduction automatique en temps réel, l’identification des objets dans les images ou encore le diagnostic médical sont tous des usages concrets où le Deep Learning a triomphé parmi les meilleures technologies dans le monde du Machine Learning.
Cette vidéo est justement consacrée aux réseaux de neurones qui sont à la base du Deep Learning et l’objectif est de vous apprendre à utiliser TensorFlow pour développer des modèles neuronaux qui couvrent la plupart des scénarios rencontrés dans la pratique.
Après une introduction sur les réseaux de neurones, nous en découvrirons les différentes architectures et la notion d’algorithme de rétropropagation. Nous pourrons ensuite passer à l’installation et à la découverte de TensorFlow avant de développer des exemples de réseaux de neurones en nous appuyant sur la version de Keras intégrée à TensorFlow.
Cette vidéo est justement consacrée aux réseaux de neurones qui sont à la base du Deep Learning et l’objectif est de vous apprendre à utiliser TensorFlow pour développer des modèles neuronaux qui couvrent la plupart des scénarios rencontrés dans la pratique.
Après une introduction sur les réseaux de neurones, nous en découvrirons les différentes architectures et la notion d’algorithme de rétropropagation. Nous pourrons ensuite passer à l’installation et à la découverte de TensorFlow avant de développer des exemples de réseaux de neurones en nous appuyant sur la version de Keras intégrée à TensorFlow.
Table des matières
- Durée totale02h39
- Les réseaux de neurones
- Introduction aux réseaux de neurones00:45
- Quelques cas d'application01:21
- Les étapes de modélisation en Data Science04:47
- Du neurone biologique au neurone artificiel04:26
- Les fonctions d'assemblage02:51
- Les fonctions d'activation03:36
- Introduction au perceptron05:26
- Du perceptron au réseau de neurones06:28
- Entraîner un réseau de neurones06:15
- L'algorithme de rétropropagation
- Introduction à TensorFlow 2
- Installer Anaconda03:17
- Créer un environnement virtuel et installer TensorFlow04:34
- Architecture de TensorFlow04:33
- Architecture de tf.keras02:54
- Introduction aux Tensors11:07
- Manipuler les variables avec les Tensors06:27
- Initialisation des Tensors05:28
- Les opérations algébriques avec les Tensors03:09
- Les réseaux de neurones avec TensorFlow 2
- Charger les données pour entraîner un réseau de neurones 06:28
- Créer un MLP avec TensorFlow06:18
- Accès aux informations et initialisation des paramètres d'un réseau de neurones06:20
- Exécuter un réseau de neurones sur des données06:49
- Évaluer un réseau de neurones01:52
- Prédire avec un réseau de neurones03:46
- Utiliser le Callback05:33
- Configurer le critère d'arrêt02:39
- Sauvegarder un réseau de neurones dans un fichier03:07
- Gérer les hyperparamètres d'un réseau de neurones05:37
- Conclusion01:02
Auteur
Madjid KHICHANE En savoir plus
Après un diplôme d'ingénieur en Informatique obtenu à l'université Mouloud Mammeri à Tizi-Ouzou en Algérie puis un Master en Intelligence Artificielle - Systèmes multi-agents obtenu à l'université Paris 5 (René Descartes), Madjid KHICHANE a soutenu son PhD en Intelligence Artificielle en collaboration entre l'Université Claude Bernard Lyon 1 et IBM. Cette thèse doctorale a donné naissance à des innovations algorithmiques dans le domaine de l'apprentissage par renforcement qui sont aujourd’hui publiées dans des conférences internationales de premier niveau.
Caractéristiques
- Niveau Initié à Débutant
- Durée 2h39
- Parution février 2022
- Vidéo en ligne
- Ref. ENI : VTTENS
Téléchargements
- Des fichiers complémentaires (9 Ko)