Bringing a machine learning model into the real world involves a lot more than just modeling. This Specialization will teach you how to navigate various deployment scenarios and use data more effectively to train your model.
Ce cours fait partie de la Spécialisation TensorFlow: Data and Deployment
Offert par
Spécialisation TensorFlow: Data and Deploymentdeeplearning.aiÀ propos de ce cours
92,800 consultations récentes
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 1 sur 4 dans le
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Basic understanding of JavaScript
Approx. 18 heures pour terminer
Anglais
Sous-titres : Anglais
Ce que vous allez apprendre
Train and run inference in a browser
Handle data in a browser
Build an object classification and recognition model using a webcam
Compétences que vous acquerrez
Convolutional Neural NetworkMachine LearningTensorflowObject DetectionTensorFlow.js
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 1 sur 4 dans le
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Basic understanding of JavaScript
Approx. 18 heures pour terminer
Anglais
Sous-titres : Anglais
Offert par
deeplearning.ai
Founded by Andrew Ng, deeplearning.ai is on a mission to make world-class AI education accessible to people around the globe so that we can all benefit from an AI-powered future.
Programme du cours : ce que vous apprendrez dans ce cours
5 heures pour terminer
Introduction to TensorFlow.js
Welcome to Browser-based Models with TensorFlow.js, the first course of the TensorFlow for Data and Deployment Specialization. In this first course, we’re going to look at how to train machine learning models in the browser and how to use them to perform inference using JavaScript. This will allow you to use machine learning directly in the browser as well as on backend servers like Node.js. In the first week of the course, we are going to build some basic models using JavaScript and we'll execute them in simple web pages.
5 heures pour terminer
11 vidéos (Total 30 min), 7 lectures, 3 quiz
11 vidéos
Course Introduction, A Conversation with Andrew Ng1 min
A Few Words From Laurence2 min
Building the Model3 min
Training the Model3 min
First Example In Code4 min
The Iris Dataset1 min
Reading the Data4 min
One-hot Encoding1 min
Designing the NN2 min
Iris Classifier In Code6 min
7 lectures
Getting Your System Ready10 min
Downloading the Coding Examples and Exercises10 min
Your First Model10 min
Iris Dataset Documentation10 min
Using the Web Server10 min
Iris Classifier10 min
Week 1 Wrap up10 min
2 exercices pour s'entraîner
Quiz 1
One-Hot Encoding
4 heures pour terminer
Image Classification In the Browser
This week we'll look at Computer Vision problems, including some of the unique considerations when using JavaScript, such as handling thousands of images for training. By the end of this module you will know how to build a site that lets you draw in the browser and recognizes your handwritten digits!
4 heures pour terminer
8 vidéos (Total 27 min), 5 lectures, 2 quiz
8 vidéos
Creating a Convolutional Net with JavaScript4 min
Visualizing the Training Process2 min
What Is a Sprite Sheet?1 min
Using the Sprite Sheet2 min
Using tf.tidy() to Save Memory1 min
A Few Words From Laurence24s
MNIST Classifier In Code13 min
5 lectures
tjs-vis Documentation10 min
MNIST Sprite Sheet10 min
MNIST Classifier10 min
Week 2 Wrap up10 min
Exercise Description10 min
1 exercice pour s'entraîner
Week 2 Quiz
5 heures pour terminer
Converting Models to JSON Format
This week we'll see how to take models that have been created with TensorFlow in Python and convert them to JSON format so that they can run in the browser using Javascript. We will start by looking at two models that have already been pre-converted. One of them is going to be a toxicity classifier, which uses NLP to determine if a phrase is toxic in a number of categories; the other one is Mobilenet which can be used to detect content in images. By the end of this module, you will train a model in Python yourself and convert it to JSON format using the tensorflow.js converter.
5 heures pour terminer
12 vidéos (Total 28 min), 7 lectures, 2 quiz
12 vidéos
A Few Words From Laurence1 min
Pre-trained TensorFlow.js Models49s
Toxicity Classifier3 min
Toxicity Classifier In Code3 min
MobileNet49s
Using MobileNet1 min
Training Results1 min
MobileNet Example In Code3 min
Converting Models to JavaScript4 min
Converting Models to JavaScript In Code2 min
Linear Example In Code1 min
7 lectures
Important Links10 min
Toxicity Classifier10 min
Classes Supported by MobileNet10 min
Image Classification Using MobileNet10 min
Linear Model10 min
Week 3 Wrap up10 min
Optional - Install Wget (Only If Needed)10 min
1 exercice pour s'entraîner
Week 3 Quiz
4 heures pour terminer
Transfer Learning with Pre-Trained Models
One final work type that you'll need when creating Machine Learned applications in the browser is to understand how transfer learning works. This week you'll build a complete web site that uses TensorFlow.js, capturing data from the web cam, and re-training mobilenet to recognize Rock, Paper and Scissors gestures.
4 heures pour terminer
11 vidéos (Total 26 min), 3 lectures, 2 quiz
11 vidéos
A Few Words From Laurence53s
Building a Simple Web Page2 min
Retraining the MobileNet Model1 min
The Training Function2 min
Capturing the Data3 min
The Dataset Class2 min
Training the Network with the Captured Data1 min
Performing Inference4 min
Rock Paper Scissors In Code4 min
A Conversation with Andrew Ng1 min
3 lectures
Rock Paper Scissors10 min
Exercise Description10 min
Wrap up10 min
1 exercice pour s'entraîner
Week 4 Quiz
Avis
Meilleurs avis pour BROWSER-BASED MODELS WITH TENSORFLOW.JS
par AZ28 mars 2020
No doubt, the team of Deeplearning.AI is building best learning resources. We would love to get more and more resources for easy way learning from DeepLearning.AI Team. Thanks to all.
par SA7 juil. 2020
course contents are good and explained very well with one problem of audio, audio is not clear and pitch is low but I like this course. as a beginner, this course is best.
par ZB19 déc. 2019
Awesome - elegant in its complex simplicity. Clear explanations, logical curriculum structure, nice and knowledgeable code examples. A must-complete course indeed!
par DP3 juil. 2020
Excellent presentation of material and lab examples. Final assignment is really inspiring and motivating. Thank you for putting effort to design such content.
À propos du Spécialisation TensorFlow: Data and Deployment
Continue developing your skills in TensorFlow as you learn to navigate through a wide range of deployment scenarios and discover new ways to use data more effectively when training your machine learning models.
In this four-course Specialization, you’ll learn how to get your machine learning models into the hands of real people on all kinds of devices. Start by understanding how to train and run machine learning models in browsers and in mobile applications. Learn how to leverage built-in datasets with just a few lines of code, learn about data pipelines with TensorFlow data services, use APIs to control data splitting, process all types of unstructured data and retrain deployed models with user data while maintaining data privacy. Apply your knowledge in various deployment scenarios and get introduced to TensorFlow Serving, TensorFlow, Hub, TensorBoard, and more.
Industries all around the world are adopting Artificial Intelligence. This Specialization from Laurence Moroney and Andrew Ng will help you develop and deploy machine learning models across any device or platform faster and more accurately than ever.
This Specialization builds upon skills learned in the TensorFlow in Practice Specialization. We recommend learners complete that Specialization prior to enrolling in TensorFlow: Data and Deployment.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
- Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
- Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Quelle est la politique de remboursement ?
Si vous vous abonnez, vous bénéficiez d'une période d'essai gratuite de 7 jours, durant laquelle vous pouvez annuler votre abonnement sans pénalité. Ensuite, nous n'accordons plus de remboursements, mais vous pouvez annuler votre abonnement à tout instant. Consultez notre politique de remboursement complète.
Une aide financière est-elle possible ?
Oui, Coursera offre une Aide Financière aux étudiants qui n'ont pas les moyens d'acquitter les frais. Demandez-la en cliquant sur le lien Aide Financière sous le bouton S'inscrire situé à gauche. Vous devrez remplir un formulaire de demande et vous serez averti(e) si elle est acceptée. Vous devrez répéter cette procédure pour chaque cours de la Spécialisation, y compris pour le Projet Final. En savoir plus.
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
