Spezialisierung Machine Learning with TensorFlow on Google Cloud en Français

Qu'est-ce que le machine learning et quels types de problèmes permet-il de résoudre ? Google adopte une approche particulière du machine learning qui s'appuie non seulement sur les données, mais également sur la logique. Nous expliquerons l'utilité d'une telle définition pour les data scientists à l'heure de créer un pipeline de modèles de machine learning.

Ensuite, nous examinerons les cinq phases permettant de convertir un cas d'utilisation devant être traité à l'aide du machine learning et verrons pourquoi chaque phase est importante. Enfin, nous identifierons les biais que le machine learning est susceptible d'amplifier et apprendrons à les repérer. >>> En vous inscrivant à cette spécialisation, vous vous engagez à respecter les Conditions d'utilisation de Qwiklabs, telles que définies dans les questions fréquentes et disponibles à l'adresse : https://qwiklabs.com/terms_of_service <<<

À partir de l'histoire du machine learning, nous examinons les raisons pour lesquelles les réseaux de neurones fonctionnent si bien de nos jours dans différents problèmes liés à la science des données. Nous évoquons ensuite la façon d'aborder un problème d'apprentissage supervisé et le moyen d'y répondre en utilisant la descente de gradient. Cela implique de créer des ensembles de données menant à une généralisation ; nous évoquons les méthodes pour y parvenir de façon reproductible en utilisant l'expérimentation.

Objectifs du cours : Identifier les raisons pour lesquelles le deep learning est actuellement en vogue Optimiser et évaluer les modèles à l'aide des fonctions de perte et des statistiques de performance Réduire les problèmes courants qui surviennent dans le machine learning Créer des formations, des évaluations et des ensembles de données tests répétables et évolutifs

Ce cours va vous expliquer comment exploiter la flexibilité et la facilité d'utilisation de TensorFlow 2.x et de Keras pour créer, entraîner et déployer des modèles de machine learning. Vous en apprendrez plus sur la hiérarchie de l'API TensorFlow 2.x et découvrirez les principaux composants de TensorFlow à travers divers exercices pratiques. Nous allons vous montrer comment travailler avec des ensembles de données et des colonnes de caractéristiques. Vous apprendrez à concevoir et à créer un pipeline de données d'entrée TensorFlow 2.x. À l'aide d'exercices pratiques, vous vous entraînerez à charger des données CSV, des tableaux Numpy, des données de texte et des images à l'aide de tf.Data.Dataset. Vous vous entraînerez également à créer des colonnes de caractéristiques numériques, catégorielles, en buckets et hachées.

Nous vous présenterons l'API séquentielle Keras et l'API fonctionnelle Keras pour vous montrer comment créer des modèles de deep learning. Nous aborderons les fonctions d'activation, la perte et l'optimisation. Nos ateliers pratiques sur les notebooks Jupyter vous permettent de créer des modèles de machine learning à régression linéaire basique, à régression logistique basique et à régression logistique avancée. Vous apprendrez à entraîner, à déployer et à mettre en production des modèles de machine learning à grande échelle avec Cloud AI Platform.

Vous voulez savoir comment améliorer la précision de vos modèles de ML ? Et quelles colonnes de données créent les caractéristiques les plus utiles ? Bienvenue dans "Extraction de caractéristiques". Nous allons passer en revue les bonnes et les mauvaises caractéristiques, et voir comment les prétraiter et les transformer pour les utiliser efficacement dans vos modèles.