Derniere mise a jour : 1/2023MP4 | Video: h264, 1280x720 | Audio: AAC, 44.1 KHzLanguage: Francais | Size: 7.08 GB | Duration: 23h 0m

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

What you'll learn

La theorie qui se cache derriere le Machine Learning et le Deep Learning

Utiliser TensorFlow 2.x pour le Deep Learning

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

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

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

Predire de donnees de series temporelles ( Series) avec les Reseaux de Neurones Recurrents (Recurrent Neural Networks - RNNs)

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

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

Appliquer la reduction de dimensionnalite avec les Auto-Encodeurs (Encodeurs + Decodeurs)

Utiliser les Reseaux Adverses Generatifs (Generative Adversarial Networks - GANs) pour creer des images de toute piece

Deployer vos modeles TensorFlow de Deep Learning en production grace a une API Flask

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

Requirements

Savoir coder en Python

Quelques bases de mathematiques (telles que les derivees)

Description

Ce cours vous guidera dans l'utilisation du dernier Framework TensorFlow 2 de Google pour creer des Reseaux de Neurones Artificiels pour le Deep Learning ! Ce cours a pour but de vous donner un guide facile a comprendre sur les complexites du Framework TensorFlow version 2.x de Google (derniere version a jour).Nous nous attacherons a comprendre les dernieres mises a jour de TensorFlow et a exploiter l'API de Keras (l'API officielle de TensorFlow 2) pour construire rapidement et facilement des modeles. Dans ce cours, nous construirons des modeles pour predire des prix futurs de maisons, classer des images medicales, predire les donnees de ventes futures, generer artificiellement un nouveau texte complet et bien plus encore... !Ce cours est concu pour equilibrer la theorie et la mise en œuvre pratique, avec des guides de code complets de type "Notebook Google Colab" et des slides et notes faciles a consulter. Il y a egalement de nombreux exercices pour tester vos nouvelles competences au cours de la formation !Ce cours couvre une grande variete de sujets, notamment :Cours accelere sur la bibliotheque NumPyCours intensif et accelere sur l'analyse des donnees avec la bibliotheque PandasCours accelere sur la visualisation de donneesPrincipes de base des reseaux de neuronesPrincipes de base de TensorFlowNotions de syntaxe de KerasReseaux de Neurones Artificiels (ANNs)Reseaux a forte densite de connexionReseaux de Neurones Convolutifs (CNNs)Reseaux de Neurones Recurrents (RNNs)AutoEncodersReseaux Adversatifs Generateurs (GANs)Deploiement 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 utilisee pour construire et entrainer les modeles. L'API de Keras facilite le demarrage de TensorFlow 2. Il est important de noter que Keras fournit plusieurs API de construction de modeles (sequentielle, 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 ameliorations, notamment une execution rapide, pour une iteration immediate et un debogage intuitif, et tf. data, pour la construction de pipelines d'entree evolutifs.TensorFlow 2 facilite le passage des nouvelles idees du concept au code, et du modele a la publication. TensorFlow 2 integre un certain nombre de fonctionnalites qui permettent de definir et d'entrainer des modeles de pointe sans sacrifier la vitesse ou les performancesIl est utilise par de grandes entreprises dans le monde entier, notamment Airbnb, Ebay, Dropbox, Snapchat, Twitter, Uber, SAP, Qualcomm, IBM, Intel, et bien sur, Google !Comprendre et appliquer le Deep Learning des aujourd'hui, c'est possible ! On se retrouve dans le cours :)

Overview

Section 1: Presentation du cours, Telechargement, Mise en place de l'environnement de code

Lecture 1 Message de Bienvenue !

Lecture 2 Programme du cours

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

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

Lecture 5 FAQ - Foire Aux Questions

Lecture 6 Cours Python (CADEAU)

Section 2: NumPy (cours accelere)

Lecture 7 Introduction a NumPy

Lecture 8 Les Tableaux NumPy

Lecture 9 Selection et Indexation NumPy

Lecture 10 Operations NumPy

Lecture 11 Exercices NumPy

Lecture 12 Solutions - Exercices NumPy

Lecture 13 BONUS - TOP 50 des fonctions NumPy

Section 3: Pandas (cours intensif et accelere)

Lecture 14 Introduction a Pandas

Lecture 15 Series Pandas

Lecture 16 DataFrames Pandas - Partie 1

Lecture 17 DataFrames Pandas - Partie 2

Lecture 18 Donnees manquantes avec Pandas

Lecture 19 Operations avec GroupBy

Lecture 20 Operations Pandas

Lecture 21 Data Input et Output

Lecture 22 Exercices Pandas

Lecture 23 Solutions - Exercices Pandas

Section 4: Visualisation de donnees (cours accelere)

Lecture 24 Introduction a la visualisation de donnees Python

Lecture 25 Bases Matplotlib

Lecture 26 Bases Seaborn

Lecture 27 Exercices Visualisation de donnees

Lecture 28 Solutions - Exercices Visualisation de donnees

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 Supervise ?

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

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

Lecture 33 Evaluation des performances ou Metrics d'erreurs de Regression

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

Section 6: Reseaux de Neurones Artificiels - ANNs

Lecture 35 Introduction a la section ANNs

Lecture 36 Modele de Perceptron

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

Lecture 38 Les fonctions d'Activation

Lecture 39 Classification multi-classes

Lecture 40 Fonctions de Cout et Descente de gradient

Lecture 41 Backpropagation

Lecture 42 Tensorflow et Keras

Lecture 43 Les bases de la syntaxe Keras - Partie 1 - Preparation des Donnees

Lecture 44 Les bases de la syntaxe Keras - Partie 2 - Creation et Entrainement du Modele

Lecture 45 Les bases de la syntaxe Keras - Partie 3 - Evaluation du modele

Lecture 46 Regression avec Keras (code) - Analyse Exploratoire de Donnees (EDA)

Lecture 47 Regression avec Keras (code) - Analyse Exploratoire de Donnees - Suite

Lecture 48 Regression avec Keras (code) - Pre-traitement des Donnees et Creation du Modele

Lecture 49 Regression avec Keras (code) - Evaluation du Modele et Predictions

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

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

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 Donnees (EDA)

Lecture 55 Solutions Projet Keras - Traitement des Donnees Manquantes

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

Lecture 57 Solutions Projet Keras - Donnees Categorielles

Lecture 58 Solutions Projet Keras - Pre-Traitement des Donnees

Lecture 59 Solutions Projet Keras - Creation et Entrainement du Modele

Lecture 60 Solutions Projet Keras - Evaluation du Modele

Lecture 61 Tensorboard

Section 7: Reseaux 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 Apercu du dataset MNIST

Lecture 67 CNN sur MNIST - Partie 1 - Data

Lecture 68 CNN sur MNIST - Partie 2 - Creation et Entrainement du Modele

Lecture 69 CNN sur MNIST - Partie 3 - Evaluation du Modele

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

Lecture 71 CNN sur CIFAR-10 - Partie 2 - Evaluer le Modele

Lecture 72 Telechargement du dataset des Donnees Images plus realistes

Lecture 73 CNN sur des fichiers d'images reelles - Partie 1 - Lecture des Donnees

Lecture 74 CNN sur des fichiers d'images reelles - Partie 2 - Traitement des Donnees

Lecture 75 CNN sur des fichiers d'images reelles - Partie 3 - Creation du Modele

Lecture 76 CNN sur des fichiers d'images reelles - Partie 4 - Evaluation du Modele

Lecture 77 Exercice CNN

Lecture 78 Solution - Exercice CNN

Section 8: Reseaux de Neurones Recurrents - RNNs

Lecture 79 Introduction aux RNNs

Lecture 80 Theorie de base des RNNs

Lecture 81 Vanishing Gradients

Lecture 82 LSTM et GRU

Lecture 83 RNN - Batches

Lecture 84 RNN sur une onde sinusoidale - Les Donnees

Lecture 85 RNN sur une onde sinusoidale - Generateur de Batch

Lecture 86 RNN sur une onde sinusoidale - Creation du Modele

Lecture 87 RNN sur une onde sinusoidale - LSTMs et Previsions

Lecture 88 RNN sur une Series - Partie 1

Lecture 89 RNN sur une Series - Partie 2

Lecture 90 Exercice RNN

Lecture 91 Solutions - Exercice RNN

Lecture 92 Bonus - Series Multivarie - RNN et LSTMs

Section 9: Traitement du Langage Naturel - NLP

Lecture 93 Introduction a la section NLP

Lecture 94 NLP - Partie 1 - Les Donnees

Lecture 95 NLP - Partie 2 - Traitement du Texte

Lecture 96 NLP - Partie 3 - Creation des Batches

Lecture 97 NLP - Partie 4 - Creation du Modele

Lecture 98 NLP - Partie 5 - Entrainement du Modele

Lecture 99 NLP - Partie 6 - Generation du Texte

Section 10: Auto-Encodeurs

Lecture 100 Introduction aux Auto-Encodeurs

Lecture 101 Bases AutoEncoders

Lecture 102 AutoEncoder pour Reduction de Dimension

Lecture 103 AutoEncoder pour Donnees Image - Partie 1

Lecture 104 AutoEncoder pour Donnees Image - Partie 2

Lecture 105 Exercice AutoEncoder

Lecture 106 Solutions - Exercice AutoEncoder

Section 11: Reseaux Adverses Generatifs - GANs

Lecture 107 Vue d'ensemble des GANs

Lecture 108 Creer un GAN - Partie 1 - Les Donnees

Lecture 109 Creer un GAN - Partie 2 - Le Modele

Lecture 110 Creer un GAN - Partie 3 - Entrainement du Modele

Lecture 111 DCGAN - Deep Convolutional Generative Adversarial Networks

Section 12: Deploiement d'un modele de Deep Learning en production

Lecture 112 Introduction au Deploiement en production avec Flask

Lecture 113 Creation du modele de Deep Learning

Lecture 114 Fonction de Prediction du Modele

Lecture 115 Execution d'une application basique Flask

Lecture 116 Flask postman API

Lecture 117 Flask API - Utilisation de Requetes de Programmation

Lecture 118 Flask Front-End

Lecture 119 Etape Finale - Deploiement en Live sur le Web

Lecture 120 MERCI

Section 13: SECTION BONUS : MERCI

Lecture 121 Aide-memoire PYTHON pour la DATA SCIENCE

Lecture 122 Session Bonus

Developpeurs Python interesses par le Deep Learning et l'Intelligence Artificielle avec TensorFlow 2 et Keras,Toute personne interessee par la theorie et la pratique du Deep Learning

HomePage:

gfxtra__Deep_Learn.part1.rar.html

gfxtra__Deep_Learn.part2.rar.html

gfxtra__Deep_Learn.part3.rar.html

gfxtra__Deep_Learn.part4.rar.html

gfxtra__Deep_Learn.part5.rar.html

gfxtra__Deep_Learn.part6.rar.html

gfxtra__Deep_Learn.part7.rar.html

gfxtra__Deep_Learn.part8.rar.html