Deep Learning Avec Tensorflow Et Keras | Masterclass Python

Apprenez à utiliser Python pour du Deep Learning (et Machine Learning) avec TensorFlow 2 de Google et l'API Keras !

What you'll learn

La théorie qui se cache derrière le Machine Learning et le Deep Learning

Utiliser TensorFlow 2.x pour le Deep Learning

Exploiter l'API de Keras pour construire rapidement des modèles de Deep Learning qui tournent sur TensorFlow 2

Construire des Réseaux de Neurones Artificiels (Artificial Neural Networks - ANNs)

Effectuer une classification d'images avec des Réseaux de Neurones Convolutifs (Convolutionnal Neural Networks - CNNs)

Prédire de données de séries temporelles (Time Series) avec les Réseaux de Neurones Récurrents (Recurrent Neural Networks - RNNs)

Utiliser le Deep Learning pour l'imagerie médicale (reconnaissance de cellules de sang infectées ou non)

Générer du texte avec les RNNs et le traitement du langage naturel (Natural Language Processing - NLP)

Appliquer la réduction de dimensionnalité avec les Auto-Encodeurs (Encodeurs + Décodeurs)

Utiliser les Réseaux Adverses Génératifs (Generative Adversarial Networks - GANs) pour créer des images de toute pièce

Déployer vos modèles TensorFlow de Deep Learning en production grâce à une API Flask

Utiliser les GPUs ou PTUs avec Google Colab pour un Deep Learning accéléré

Requirements

Savoir coder en Python

Quelques bases de mathématiques (telles que les dérivées)

Description

Ce cours vous guidera dans l'utilisation du dernier Framework TensorFlow 2 de Google pour créer des Réseaux de Neurones Artificiels pour le Deep Learning ! Ce cours a pour but de vous donner un guide facile à comprendre sur les complexités du Framework TensorFlow version 2.x de Google (dernière version à jour).Nous nous attacherons à comprendre les dernières mises à jour de TensorFlow et à exploiter l'API de Keras (l'API officielle de TensorFlow 2) pour construire rapidement et facilement des modèles. Dans ce cours, nous construirons des modèles pour prédire des prix futurs de maisons, classer des images médicales, prédire les données de ventes futures, générer artificiellement un nouveau texte complet et bien plus encore… !Ce cours est conçu pour équilibrer la théorie et la mise en œuvre pratique, avec des guides de code complets de type "Notebook Google Colab" et des slides et notes faciles à consulter. Il y a également de nombreux exercices pour tester vos nouvelles compétences au cours de la formation !Ce cours couvre une grande variété de sujets, notamment :Cours accéléré sur la bibliothèque NumPyCours intensif et accéléré sur l'analyse des données avec la bibliothèque PandasCours accéléré sur la visualisation de donnéesPrincipes de base des réseaux de neuronesPrincipes de base de TensorFlowNotions de syntaxe de KerasRéseaux de Neurones Artificiels (ANNs)Réseaux à forte densité de connexionRéseaux de Neurones Convolutifs (CNNs)Réseaux de Neurones Récurrents (RNNs)AutoEncodersRéseaux Adversatifs Générateurs (GANs)Déploiement de TensorFlow en production avec Flasket bien plus encore !Keras, une API standard conviviale pour le Deep Learning, elle sera l'API centrale de haut niveau utilisée pour construire et entraîner les modèles. L'API de Keras facilite le démarrage de TensorFlow 2. Il est important de noter que Keras fournit plusieurs API de construction de modèles (séquentielle, fonctionnelle et de sous-classement), afin que vous puissiez choisir le bon niveau d'abstraction pour votre projet. La mise en œuvre de TensorFlow contient des améliorations, notamment une exécution rapide, pour une itération immédiate et un débogage intuitif, et tf. data, pour la construction de pipelines d'entrée évolutifs.TensorFlow 2 facilite le passage des nouvelles idées du concept au code, et du modèle à la publication. TensorFlow 2 intègre un certain nombre de fonctionnalités qui permettent de définir et d'entraîner des modèles de pointe sans sacrifier la vitesse ou les performancesIl est utilisé par de grandes entreprises dans le monde entier, notamment Airbnb, Ebay, Dropbox, Snapchat, Twitter, Uber, SAP, Qualcomm, IBM, Intel, et bien sûr, Google !Comprendre et appliquer le Deep Learning dès aujourd'hui, c'est possible ! On se retrouve dans le cours :)

Overview

Section 1: Présentation du cours, Téléchargement, Mise en place de l'environnement de code

Lecture 1 Message de Bienvenue !

Lecture 2 Programme du cours

Lecture 3 Téléchargement du contenu du cours (Code Python + Datasets)

Lecture 4 Mise en place de l'environnement de code + Téléchargement du contenu du cours

Lecture 5 FAQ - Foire Aux Questions

Lecture 6 Cours Python (CADEAU)

Section 2: NumPy (cours accéléré)

Lecture 7 Introduction à NumPy

Lecture 8 Les Tableaux NumPy

Lecture 9 Sélection et Indexation NumPy

Lecture 10 Opérations NumPy

Lecture 11 Exercices NumPy

Lecture 12 Solutions - Exercices NumPy

Lecture 13 BONUS - TOP 50 des fonctions NumPy

Section 3: Pandas (cours intensif et accéléré)

Lecture 14 Introduction à Pandas

Lecture 15 Series Pandas

Lecture 16 DataFrames Pandas - Partie 1

Lecture 17 DataFrames Pandas - Partie 2

Lecture 18 Données manquantes avec Pandas

Lecture 19 Opérations avec GroupBy

Lecture 20 Opérations Pandas

Lecture 21 Data Input et Output

Lecture 22 Exercices Pandas

Lecture 23 Solutions - Exercices Pandas

Section 4: Visualisation de données (cours accéléré)

Lecture 24 Introduction à la visualisation de données Python

Lecture 25 Bases Matplotlib

Lecture 26 Bases Seaborn

Lecture 27 Exercices Visualisation de données

Lecture 28 Solutions - Exercices Visualisation de données

Section 5: Machine Learning (Vue d'ensemble des concepts)

Lecture 29 Qu'est-ce que le Machine Learning ?

Lecture 30 Qu'est-ce que l'Apprentissage Supervisé ?

Lecture 31 Qu'est-ce que l'Overfitting ? (Sur-Apprentissage)

Lecture 32 Évaluation des performances - Metrics d'erreurs de Classification

Lecture 33 Évaluation des performances ou Metrics d'erreurs de Régression

Lecture 34 Qu'est-ce que l'Apprentissage non Supervisé ?

Section 6: Réseaux de Neurones Artificiels - ANNs

Lecture 35 Introduction à la section ANNs

Lecture 36 Modèle de Perceptron

Lecture 37 Qu'est-ce qu'un réseau de neurones artificiel ?

Lecture 38 Les fonctions d'Activation

Lecture 39 Classification multi-classes

Lecture 40 Fonctions de Coût et Descente de gradient

Lecture 41 Backpropagation

Lecture 42 Tensorflow et Keras

Lecture 43 Les bases de la syntaxe Keras - Partie 1 - Préparation des Données

Lecture 44 Les bases de la syntaxe Keras - Partie 2 - Création et Entraînement du Modèle

Lecture 45 Les bases de la syntaxe Keras - Partie 3 - Évaluation du modèle

Lecture 46 Régression avec Keras (code) - Analyse Exploratoire de Données (EDA)

Lecture 47 Régression avec Keras (code) - Analyse Exploratoire de Données - Suite

Lecture 48 Régression avec Keras (code) - Pré-traitement des Données et Création du Modèle

Lecture 49 Régression avec Keras (code) - Évaluation du Modèle et Prédictions

Lecture 50 Classification avec Keras (code) - EDA et pré-traitement

Lecture 51 Classification avec Keras (code) - Traitement de l'Overfitting et Évaluation

Lecture 52 Introduction aux options pour le Projet Tensorflow 2 / Keras

Lecture 53 Vue d'ensemble du Projet TensorFlow 2 / Keras

Lecture 54 Solutions Projet Keras - Analyse Exploratoire de Données (EDA)

Lecture 55 Solutions Projet Keras - Traitement des Données Manquantes

Lecture 56 Solutions Projet Keras - Traitement des Données Manquantes (Partie 2)

Lecture 57 Solutions Projet Keras - Données Catégorielles

Lecture 58 Solutions Projet Keras - Pré-Traitement des Données

Lecture 59 Solutions Projet Keras - Création et Entraînement du Modèle

Lecture 60 Solutions Projet Keras - Évaluation du Modèle

Lecture 61 Tensorboard

Section 7: Réseaux de Neurones de Convolution - CNNs

Lecture 62 Introduction aux CNNs

Lecture 63 Filtres et Noyaux d'Images

Lecture 64 Couches de Convolution

Lecture 65 Couches de Pooling

Lecture 66 Aperçu du dataset MNIST

Lecture 67 CNN sur MNIST - Partie 1 - Data

Lecture 68 CNN sur MNIST - Partie 2 - Création et Entraînement du Modèle

Lecture 69 CNN sur MNIST - Partie 3 - Évaluation du Modèle

Lecture 70 CNN sur CIFAR-10 - Partie 1 - Les Données

Lecture 71 CNN sur CIFAR-10 - Partie 2 - Évaluer le Modèle

Lecture 72 Téléchargement du dataset des Données Images plus réalistes

Lecture 73 CNN sur des fichiers d'images réelles - Partie 1 - Lecture des Données

Lecture 74 CNN sur des fichiers d'images réelles - Partie 2 - Traitement des Données

Lecture 75 CNN sur des fichiers d'images réelles - Partie 3 - Création du Modèle

Lecture 76 CNN sur des fichiers d'images réelles - Partie 4 - Évaluation du Modèle

Lecture 77 Exercice CNN

Lecture 78 Solution - Exercice CNN

Section 8: Réseaux de Neurones Récurrents - RNNs

Lecture 79 Introduction aux RNNs

Lecture 80 Théorie de base des RNNs

Lecture 81 Vanishing Gradients

Lecture 82 LSTM et GRU

Lecture 83 RNN - Batches

Lecture 84 RNN sur une onde sinusoïdale - Les Données

Lecture 85 RNN sur une onde sinusoïdale - Générateur de Batch

Lecture 86 RNN sur une onde sinusoïdale - Création du Modèle

Lecture 87 RNN sur une onde sinusoïdale - LSTMs et Prévisions

Lecture 88 RNN sur une Time Series - Partie 1

Lecture 89 RNN sur une Time Series - Partie 2

Lecture 90 Exercice RNN

Lecture 91 Solutions - Exercice RNN

Lecture 92 Bonus - Time Series Multivarié - RNN et LSTMs

Section 9: Traitement du Langage Naturel - NLP

Lecture 93 Introduction à la section NLP

Lecture 94 NLP - Partie 1 - Les Données

Lecture 95 NLP - Partie 2 - Traitement du Texte

Lecture 96 NLP - Partie 3 - Création des Batches

Lecture 97 NLP - Partie 4 - Création du Modèle

Lecture 98 NLP - Partie 5 - Entraînement du Modèle

Lecture 99 NLP - Partie 6 - Génération du Texte

Section 10: Auto-Encodeurs

Lecture 100 Introduction aux Auto-Encodeurs

Lecture 101 Bases AutoEncoders

Lecture 102 AutoEncoder pour Réduction de Dimension

Lecture 103 AutoEncoder pour Données Image - Partie 1

Lecture 104 AutoEncoder pour Données Image - Partie 2

Lecture 105 Exercice AutoEncoder

Lecture 106 Solutions - Exercice AutoEncoder

Section 11: Réseaux Adverses Génératifs - GANs

Lecture 107 Vue d'ensemble des GANs

Lecture 108 Créer un GAN - Partie 1 - Les Données

Lecture 109 Créer un GAN - Partie 2 - Le Modèle

Lecture 110 Créer un GAN - Partie 3 - Entraînement du Modèle

Lecture 111 DCGAN - Deep Convolutional Generative Adversarial Networks

Section 12: Déploiement d'un modèle de Deep Learning en production

Lecture 112 Introduction au Déploiement en production avec Flask

Lecture 113 Création du modèle de Deep Learning

Lecture 114 Fonction de Prédiction du Modèle

Lecture 115 Exécution d'une application basique Flask

Lecture 116 Flask postman API

Lecture 117 Flask API - Utilisation de Requêtes de Programmation

Lecture 118 Flask Front-End

Lecture 119 Étape Finale - Déploiement en Live sur le Web

Lecture 120 MERCI

Section 13: SECTION BONUS : MERCI

Lecture 121 Aide-mémoire PYTHON pour la DATA SCIENCE

Lecture 122 Session Bonus

Développeurs Python intéressés par le Deep Learning et l'Intelligence Artificielle avec TensorFlow 2 et Keras,Toute personne intéressée par la théorie et la pratique du Deep Learning