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.
Ce cours fait partie de la Spécialisation Machine Learning with TensorFlow on Google Cloud Platform en Français
Intro to TensorFlow en Français
Offert par
À propos de ce cours
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 3 sur 5 dans le
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 12 heures pour terminer
Recommandé : Une semaine de cours, 8 à 10 heures par semaine
Français
Sous-titres : Français, Portugais (brésilien), Allemand, Anglais, Espagnol, Japonais
Offert par
Google Cloud
We help millions of organizations empower their employees, serve their customers, and build what’s next for their businesses with innovative technology created in—and for—the cloud. Our products are engineered for security, reliability, and scalability, running the full stack from infrastructure to applications to devices and hardware. Our teams are dedicated to helping customers apply our technologies to create success.
Programme du cours : ce que vous apprendrez dans ce cours
7 minutes pour terminer
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.
7 minutes pour terminer
2 vidéos (Total 7 min)
3 heures pour terminer
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.
3 heures pour terminer
19 vidéos (Total 72 min)
19 vidéos
Présentation1 min
Qu'est-ce que TensorFlow ?2 min
Avantages d'un graphe orienté5 min
Hiérarchie de l'API TensorFlow3 min
Évaluation paresseuse4 min
Graphique et session4 min
Évaluer un Tensor2 min
Visualiser un graph2 min
Tensors6 min
Variables6 min
Présentation de l'atelier : Écrire des programmes TensorFlow de bas niveau16s
Solution de l'atelier8 min
Présentation5 min
Problèmes de forme3 min
Résoudre les problèmes de forme2 min
Problèmes de type de données1 min
Déboguer des programmes complets4 min
Présentation : Déboguer des programmes complets15s
Démonstration : Déboguer des programmes complets3 min
3 exercices pour s'entraîner
Qu'est-ce que TensorFlow ?2 min
Graphe et session8 min
Core TensorFlow20 min
4 heures pour terminer
API Estimator
Au cours de ce module, nous allons vous présenter dans le détail l'API Estimator.
4 heures pour terminer
18 vidéos (Total 67 min)
18 vidéos
Présentation1 min
API Estimator3 min
Estimators prédéfinis5 min
Démonstration : Modèle du prix des logements1 min
Points de contrôle1 min
Apprentissage avec des ensembles de données en mémoire2 min
Présentation de l'atelier : API Estimator39s
Solution de l'atelier : API Estimator10 min
Apprentissage avec de grands ensembles de données grâce à l'API Dataset8 min
Présentation de l'atelier : Scaling de l'ingestion TensorFlow à l'aide du traitement par lot35s
Solution de l'atelier : Scaling de l'ingestion TensorFlow à l'aide du traitement par lot5 min
Tâches de grande envergure, apprentissage distribué6 min
Assurer la surveillance avec TensorBoard3 min
Démonstration : UI TensorBoard28s
Fonctionnalité d'entrée de diffusion5 min
Récapitulatif : API Estimator1 min
Présentation de l'atelier : Créer un modèle TensorFlow d'apprentissage distribué avec l'API Estimator51s
Solution de l'atelier : Créer un modèle TensorFlow d'apprentissage distribué avec l'API Estimator7 min
1 exercice pour s'entraîner
API Estimator18 min
2 heures pour terminer
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.
2 heures pour terminer
6 vidéos (Total 29 min)
6 vidéos
Présentation31s
Pourquoi Cloud Machine Learning Engine ?6 min
Entraîner un modèle2 min
Surveiller et déployer des tâches d'entraînement2 min
Présentation de l'atelier : Scaling de TensorFlow avec Cloud Machine Learning Engine50s
Solution de l'atelier : Scaling de TensorFlow avec Cloud Machine Learning Engine16 min
1 exercice pour s'entraîner
Cloud MLE10 min
2 minutes pour terminer
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.
2 minutes pour terminer
1 vidéo (Total 2 min)
1 vidéo
Récapitulatif2 min
À propos du Spécialisation Machine Learning with TensorFlow on Google Cloud Platform en Français
Qu'est-ce que le machine learning et quels types de problèmes permet-il de résoudre ? Quelles sont les cinq phases permettant de traiter un cas d'utilisation à l'aide du machine learning, et pourquoi chaque étape est-elle essentielle ? Pourquoi les réseaux de neurones sont-ils désormais si courants ? Comment définir un problème d'apprentissage supervisé et trouver une solution adaptée et généralisable à l'aide de la descente de gradient et d'une méthode pertinente de création d'ensembles de données ? Apprenez à créer des modèles de machine learning distribués qui pourront évoluer dans TensorFlow, à adapter l'entraînement de ces modèles pour bénéficier d'une évolutivité horizontale et à obtenir des prédictions très performantes. Convertissez les données brutes en caractéristiques de sorte que les processus de ML soient en mesure d'identifier les propriétés importantes dans les données et générez des insights qui ont du sens en rapport avec la problématique. Enfin, découvrez comment intégrer à la fois la combinaison de paramètres permettant d'obtenir des modèles précis et généralisés, et une connaissance de la théorie indispensable pour résoudre des types spécifiques de problèmes de ML.
Vous expérimenterez le ML de bout en bout en commençant par créer une stratégie centrée sur le ML, puis en progressant dans le processus d'entraînement, d'optimisation et de production de modèles grâce à des ateliers pratiques faisant appel à Google Cloud Platform.
>>> En vous inscrivant à cette spécialisation vous acceptez les conditions d'utilisation de Qwiklabs décrites dans la FAQ et disponibles à l'adresse: https://qwiklabs.com/terms_of_service <<<
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.
