Descriptif
Deep learning avec TensorFlow est une formation de 3 jours (21 heures), de niveau expert, rattachée au domaine « Intelligence artificielle expert ». Développer des modèles de deep learning avec TensorFlow. Conçue et animée par des praticiens en activité, elle alterne apports ciblés (30 %) et mises en pratique (70 %) sur des laboratoires cloud individuels, avec des cas inspirés des secteurs banque, assurance et services publics. Disponible en inter-entreprises, en intra sur catalogue et en version sur mesure adaptée au contexte de l'entreprise.
Objectifs pédagogiques
À l'issue de la formation, le participant sera capable de :
- Concevoir et implémenter des architectures avancées de réseaux de neurones profonds avec TensorFlow
- Optimiser les performances des modèles DL via le réglage des hyperparamètres et les techniques de régularisation
- Exploiter les fonctionnalités avancées des APIs TensorFlow pour la personnalisation et l’extension des modèles
- Mettre en place des pipelines de déploiement et de monitoring robustes pour les modèles DL en production
Programme détaillé
| N° | Contenus et activités | Durée |
|---|---|---|
| Jour 1 | ||
| 1 | Ouverture : positionnement sur Keras et TensorFlow 2.x, mise en route des notebooks GPU et du dépôt Git commun | 0,5 h |
| 2 | Travaux pratiques : pipelines d'entrée tf.data performants — map, cache, prefetch et TFRecord sur un jeu fictif de documents scannés | 2,5 h |
| 3 | Laboratoire : API séquentielle, API fonctionnelle et sous-classement de Model — implémenter la même architecture de trois façons et comparer lisibilité et souplesse | 2 h |
| 4 | Atelier : boucle d'entraînement personnalisée avec tf.GradientTape, métriques tf.keras.metrics et rappels sur mesure | 2 h |
| Jour 2 | ||
| 5 | Travaux pratiques : régularisation et réglage d'hyperparamètres avec Keras Tuner en mode Hyperband, suivi dans TensorBoard et lecture des courbes de perte | 2,5 h |
| 6 | Laboratoire : couches et pertes personnalisées, tf.function et mode graphe — mesurer le gain et traquer les effets de bord du traçage | 2 h |
| 7 | Atelier : entraînement distribué avec tf.distribute.MirroredStrategy, précision mixte et calibrage de la taille de lot | 1,5 h |
| 8 | Cas pratique : diagnostiquer une divergence — explosion de gradients, données mal normalisées, déséquilibre de classes et fuite dans le pipeline d'entrée | 1 h |
| Jour 3 | ||
| 9 | Travaux pratiques : exporter en SavedModel, servir avec TensorFlow Serving en conteneur Docker et éprouver la montée en charge | 2 h |
| 10 | Laboratoire : conversion TensorFlow Lite et quantification après entraînement — mesurer le compromis exactitude, latence et taille du modèle | 1,5 h |
| 11 | Atelier : surveillance en production — journalisation des prédictions, détection de dérive et procédure de réentraînement versionnée | 1,5 h |
| 12 | Épreuve blanche chronométrée sur les cinq familles de sujets du référentiel TensorFlow Developer : bases TensorFlow, entraînement de réseaux, vision, traitement du texte et séries temporelles | 1,5 h |
| 13 | Correction commentée, bilan des acquis et point sur l'état du programme de certification Google, dont les inscriptions sont fermées | 0,5 h |
Méthodes pédagogiques
- Pédagogie active : 88 % du temps en pratique encadrée — laboratoires cloud provisionnés par participant, travaux pratiques guidés, fil rouge applicatif —, le reste en apports structurés, démonstrations commentées, cadrage et évaluation
- répartition calculée sur le déroulé détaillé de cette formation, et non annoncée de façon uniforme
- classe inversée avec prérequis sur le LMS
- apprentissage adaptatif selon le positionnement initial
- travaux en binômes
- classe virtuelle en séquences de 3 h 30 maximum sur Microsoft Teams
- support clair, complet et paginé remis à chaque participant
Technologies et outils mobilisés
LMS DATAROCKSTARS, Python 3.8+, TensorFlow 2.x, Jupyter Notebook / JupyterLab, Keras API, TensorBoard, Keras Tuner, Docker, Git, IDE : Visual Studio Code ou PyCharm, Cloud : Google Cloud Platform (GCP) ou AWS (optionnel)
Modalités d'évaluation et de validation
- Positionnement initial en ligne
- quiz de validation à chaque séquence
- évaluation finale des acquis (QCM et mise en situation)
- satisfaction à chaud
- questionnaire de transfert à 30 jours
- attestation de fin de formation
- préparation et passage de la certification TensorFlow Developer (Google), examen en sus
Plateforme, laboratoires et ressources
- LMS DATAROCKSTARS : parcours, supports numériques, quiz, évaluations, émargement par demi-journée
- laboratoires cloud individuels accessibles depuis un navigateur, sans installation, données fictives, détruits en fin de session
- bibliothèque O'Reilly (plus de 60 000 ressources)
- accès aux supports pendant 6 mois