Formation Deep Learning avec TensorFlow
Passez de l’expérimentation à des modèles de deep learning fiables, prêts à s’intégrer dans vos projets grâce à TensorFlow.
- Référence formation :
- MOD_20262085
- Durée :
- 21 heures
- Satisfaction :
- Prix :
- 2300 € HT
Présentation de la formation
Cette formation de 3 jours permet de maîtriser les fondamentaux de TensorFlow 2.x et Keras, depuis la manipulation de tenseurs et l’utilisation de tf.GradientTape jusqu’à la construction de premiers modèles (MLP) avec callbacks et comparaison à des baselines scikit‑learn.
Les participants mettent ensuite en œuvre des architectures avancées (CNN pour la vision, RNN/LSTM pour les séries temporelles, modèles hybrides) avec transfer learning, data augmentation et modèles personnalisés sur des cas d’entreprises variés.
Enfin, ils apprennent à optimiser et industrialiser leurs modèles (pipelines tf.data, tf.function, entraînement distribué, TensorBoard, TensorFlow Serving, TensorFlow Lite/ONNX) afin de les déployer sur serveur et sur terminaux mobiles avec suivi des performances.
Objectifs pédagogiques
A l’issue de la formation, le stagiaire sera capable de développer et optimiser des modèles DL.
- Créer des réseaux de neurones
- Entrainer et évaluer des modèles
- Utiliser les APIs TensorFlow avancées
- Déployer et monitorer des modèles DL
Public visé
- Data scientists, AI engineers
Prérequis
- Connaissances en Python, ML et mathématiques
Jour 1 — Fondamentaux de TensorFlow et Keras
Matin — Architecture TensorFlow 2.x
- Rappels Deep Learning et écosystème TensorFlow
- Tenseurs, variables et eager execution
- Différentiation automatique avec tf.GradientTape
- Configuration de l’environnement (CPU, GPU, TPU)
Atelier — Régression sur données industrielles avec tf.GradientTape
Contexte : Un e entreprise souhaite prédire la consommation énergétique d’un de ses sites en fonction de différents paramètres pour optimiser ses coûts.
Dataset : Données capteurs industriels (divers lignes) : vitesse, charge, température ambiante, type de produit, consommation kWh.
Tâches à réaliser :
- Manipuler les données via tf.data.Dataset
- Implémenter une régression linéaire « à la main » avec tf.GradientTape
- Comparer avec une régression équivalente en Keras
- Tracer la courbe de loss et analyser les résidus
Livrable attendu : Notebook avec les deux implémentations et analyse des résidus par segment produit.
Après-midi — Premiers modèles avec Keras
- API Sequential et API fonctionnelle de Keras
- Couches, fonctions de perte, optimiseurs, métriques
- Callbacks ( EarlyStopping , ModelCheckpoint , ReduceLROnPlateau )
- Comparaison API Sequential v ersus fonctionnelle
Atelier — Prévision de prix immobiliers avec un MLP
Contexte : Une plateforme d’estimation immobilière en ligne veut comparer un MLP à son modèle de Gradient Boosting actuel pour estimer les prix de vente.
Dataset : Dataset DVF enrichi (des transactions) : surface, pièces, étage, ascenseur, DPE, commune, prix.
Tâches à réaliser :
- Construire un MLP en API Sequential puis le réécrire en API fonctionnelle
- Intégrer EarlyStopping et ReduceLROnPlateau
- Sauvegarder le meilleur modèle avec ModelCheckpoint
- Comparer la performance avec un baseline scikit-learn (Random Forest)
Livrable attendu : Notebook et tableau comparatif RMSE/MAE entre MLP, Random Forest et baseline moyenne.
Jour 2 — Architectures avancées
Matin — Réseaux convolutionnels
- Couches Conv2D, pooling, normalisation , dropout
- Modèles pré-entraînés (VGG, ResNet , EfficientNet ) via tf.keras.applications
- Transfer learning et fine-tuning
- Data augmentation avec tf.image et Keras preprocessing layers
Atelier — Détection de défauts
Contexte : Un industriel souhaite automatiser le contrôle qualité de p roduits via la vision par ordinateur.
Dataset : Dataset « NEU surface defect » (des images, types de défauts).
Tâches à réaliser :
- Construire un pipeline tf.data avec data augmentation (rotations, flips)
- Entraîner un CNN simple puis fine-tuner EfficientNetB0
- Mesurer la performance par classe (matrice de confusion)
- Visualiser quelques zones d’attention via Grad-CAM
Livrable attendu : Notebook et visualisations Grad-CAM de prédictions correctes et erreurs.
Après-midi — Séquences, NLP et modèles personnalisés
- RNN, LSTM, GRU avec Keras
- Couches Embedding et tokenization
- Introduction aux Transformers et à TensorFlow Text
- Création de couches et modèles personnalisés (sous-classement de Model)
Atelier — Prévision des ventes
Contexte : Une entreprise souhaite prévoir les ventes hebdomadaires par zone et par catégorie de produit pour optimiser ses approvisionnements.
Dataset : Dataset « Walmart Sales » (des lignes) : magasin, département, semaine, ventes, indicateurs économiques, jours fériés.
Tâches à réaliser :
- Construire des séquences temporelles (fenêtres glissantes)
- Entraîner un LSTM puis un modèle hybride CNN + LSTM
- Comparer avec une baseline ARIMA
- Analyser les erreurs lors des semaines de promotion
Livrable attendu : Notebook avec comparatif des approches et recommandation pour la mise en production.
Jour 3 — APIs avancées et industrialisation
Matin — Performances et APIs avancées
- Pipelines de données avec tf.data
- tf.function et optimisation des graphes
- Distribution strategies ( MirroredStrategy , MultiWorker )
- Monitoring avec TensorBoard
Atelier — Optimisation d’un pipeline d’entraînement à grande échelle
Contexte : Un e entreprise souhaite accélérer l’entraînement de son modèle de recommandation en ligne , qui prend actuellement plus de 12h sur un seul GPU.
Dataset : Logs e-commerce volumineux (d’événements utilisateurs).
Tâches à réaliser :
- Construire un pipeline tf.data optimisé (cache, prefetch, parallel calls)
- Mesurer le débit en samples /sec avant et après optimisation
- Appliquer MirroredStrategy sur 2 GPU simulés
- Visualiser les courbes d’entraînement dans TensorBoard
Livrable attendu : Tableau de bord TensorBoard exporté et synthèse des gains de performance obtenus.
Dernière mise à jour le 5 novembre 2026
7 - 9 Avril 2027
À distance
Formation Deep Learning avec TensorFlow
4 - 6 Octobre 2027
À distance
Formation Deep Learning avec TensorFlow
Modalités pratiques et pédagogiques
Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :
- Formation en présentiel
- En groupe (inter-entreprises ou intra-entreprise)
- En individuel (monitorat)
- En journée ou en cours du soir (sur demande spécifique)
- Formation en distanciel
- Distanciel synchrone
- Distanciel asynchrone
- Alternance d’apports théoriques et de mises en pratique contextualisées.
- Progression pédagogique structurée, de la compréhension à la mise en œuvre opérationnelle.
- Pédagogie immersive favorisant une mise en application immédiate des compétences.
- Formation interactive et participative s’appuyant sur des ateliers pratiques, études de cas et échanges collectifs (+ 60 % du temps de formation.)
- Séquences pédagogiques rythmées et évaluations formatives régulières pour renforcer l’ancrage des apprentissages.
- Supports de cours, ressources documentaires et références mis à disposition par le formateur
En amont de la formation (évaluation en ligne dans l’extranet apprenant)
- Recueil des besoins et des attentes des participants.
- Auto-positionnement permettant d’évaluer le niveau initial des apprenants.
Tout au long de la formation
- Évaluations continues réalisées par le formateur à travers des questions orales, exercices, QCM, études de cas et mises en situation pratiques.
À l’issue de la formation (évaluations en ligne dans l’extranet apprenant)
- Auto-positionnement afin de mesurer l’acquisition des compétences visées.
- Validation de l’acquisition des compétences par le formateur
- Questionnaire de satisfaction « à chaud » à l’issue de la formation
- Questionnaire de satisfaction « à froid », 45 jours après la formation afin d’évaluer l’ancrage des acquis et leur mise en application en situation professionnelle.
Nous consulter.
Nos formations peuvent être adaptées à certaines conditions de handicap. Nous contacter pour toute information et demande spécifique.
Tarifs et financement
Formation éligible aux Actions Collectives OPCO Atlas.