Ce cours présente l'approche TensorFlow de bas niveau et dresse la liste des concepts et API nécessaires pour la rédaction de modèles de machine learning distribués. Nous verrons comment appliquer une évolutivité horizontale à l'entraînement d'un modèle TensorFlow afin d'offrir des prédictions très pertinentes avec Cloud Machine Learning Engine. Objectifs du cours : Créer des modèles de machine learning dans TensorFlow Utiliser les bibliothèques TensorFlow pour résoudre des problèmes numériques Résoudre les problèmes et déboguer les erreurs de code courantes sur TensorFlow Utiliser tf.estimator pour créer, entraîner et évaluer un modèle de ML Entraîner et déployer les modèles de ML avant de les envoyer en production à grande échelle avec Cloud ML Engine
Ce cours fait partie de la Spécialisation Machine Learning with TensorFlow on Google Cloud Platform en Français
Intro to TensorFlow en Français
Offert par
Programme du cours : ce que vous apprendrez dans ce cours
Introduction
Nous utiliserons l'outil TensorFlow pour rédiger des programmes de machine learning. Par conséquent, ce cours comporte une présentation de TensorFlow. Lors du premier cours, vous avez appris à transposer les problèmes d'une entreprise en problèmes de machine learning. Dans le deuxième cours, vous avez compris le fonctionnement pratique du machine learning, et appris à créer des ensembles de données appliqués au machine learning. Maintenant que vous avez toutes les données en main, vous êtes prêt à commencer la rédaction de programmes de machine learning.
Core TensorFlow
Nous vous présenterons les principaux composants de TensorFlow, et vous pourrez vous exercer, à travers des ateliers pratiques, à créer des programmes de machine learning. Vous pourrez rédiger une évaluation paresseuse et des programmes impératifs, puis les comparer, travailler avec des graphes, des sessions et des variables, et enfin déboguer les programmes TensorFlow.
API Estimator
Au cours de ce module, nous allons vous présenter dans le détail l'API Estimator.
Effectuer le scaling des modèles TensorFlow avec CMLE
Nous allons voir comment transférer et entraîner votre modèle TensorFlow sur l'infrastructure gérée de GCP dédiée à l'entraînement et au déploiement de modèles de machine learning.
Récapitulatif
Voici un récapitulatif des sujets TensorFlow que nous avons abordés dans ce cours. Nous examinerons à nouveau le code Core TensorFlow et l'API Estimator, et nous finirons par effectuer le scaling de vos modèles de machine learning avec Cloud Machine Learning Engine.
À propos de Google Cloud
À propos du Spécialisation Machine Learning with TensorFlow on Google Cloud Platform en Français
Foire Aux Questions
Puis-je prévisualiser un cours avant de m'inscrire ?
Oui, vous pouvez prévisualiser la première vidéo et consulter le programme du cours avant de vous inscrire. Vous devez acheter le cours pour accéder au contenu non inclus dans la prévisualisation.
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Si vous décidez de vous inscrire au cours avant la date de début de session, vous aurez accès à toutes les vidéos et lectures du cours. Vous pourrez soumettre des devoirs à partir du début de la session.
À quoi ai-je droit si je m'inscris ?
Une fois que vous êtes inscrit(e) et que votre session commence, vous avez accès à toutes les vidéos et aux autres ressources, y compris les éléments à lire et le forum de discussion du cours. Vous pouvez afficher et soumettre des devoirs pour vous exercer, et terminer les devoirs notés requis pour obtenir une note et un Certificat de Cours.
Quand recevrai-je mon Certificat de Cours ?
Si vous réussissez le cours, votre Certificat de Cours électronique sera ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat de Cours ou l'ajouter à votre profil LinkedIn.
Pourquoi ne puis-je pas assister à ce cours en auditeur libre ?
Ce cours fait partie du nombre restreint de cours proposés par Coursera actuellement disponibles uniquement aux étudiants ayant payé les frais du cours ou bénéficié de l'Aide Financière, lorsqu'elle est disponible.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
