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 !
Dernière mise à jour : 1/2023
MP4 | Video: h264, 1280×720 | Audio: AAC, 44.1 KHz
Language: Français | Size: 7.08 GB | Duration: 23h 0m

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
Homepage

https://www.udemy.com/course/cours-complet-de-deep-learning-avec-tensorflow-et-keras/