Après avoir présenté un historique du machine learning, nous étudierons pourquoi les réseaux de neurones sont aujourd'hui parfaitement adaptés à diverses problématiques. Nous apprendrons ensuite à définir un problème d'apprentissage supervisé et à trouver une solution adaptée à l'aide d'une descente de gradient. Ce processus implique la création d'ensembles de données permettant la généralisation. Nous examinerons comment procéder à cette opération de façon reproductible de sorte que l'expérimentation soit possible.
Ce cours fait partie de la Spécialisation Machine Learning with TensorFlow on Google Cloud Platform en Français
Launching into Machine Learning en Français
Offert par
À propos de ce cours
2,004 consultations récentes
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 2 sur 5 dans le
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 10 heures pour terminer
Recommandé : 11 hours/week
Français
Sous-titres : Français, Portugais (brésilien), Allemand, Anglais, Espagnol, Japonais
Programme du cours : ce que vous apprendrez dans ce cours
4 minutes pour terminer
Introduction
Dans ce cours, nous vous enseignerons les connaissances fondamentales en matière de ML pour que vous puissiez comprendre la terminologie que nous utiliserons au cours de cette spécialisation. Grâce aux spécialistes du machine learning de Google, vous découvrirez également des astuces pratiques, ainsi que les écueils à éviter. À la fin du cours, vous disposerez du code et des connaissances nécessaires pour lancer vos propres modèles de ML.
4 minutes pour terminer
1 vidéo (Total 4 min)
1 vidéo
Introduction4 min
1 heure pour terminer
Le machine learning en pratique
Dans ce module, nous vous présentons certains des principaux types de machine learning et aborderons son histoire, des débuts jusqu'à l'apogée. Vous pourrez ainsi rapidement vous familiariser avec le ML.
1 heure pour terminer
10 vidéos (Total 62 min)
10 vidéos
Introduction1 min
Apprentissage supervisé5 min
Régression et classification11 min
Bref historique du ML : régression linéaire7 min
Bref historique du ML : perceptron5 min
Bref historique du ML : réseaux de neurones7 min
Bref historique du ML : arbres de décision5 min
Bref historique du ML : méthodes à noyau4 min
Bref historique du ML : forêts d'arbres décisionnels4 min
Bref historique du ML : réseaux de neurones modernes8 min
1 exercice pour s'entraîner
Quiz du module6 min
1 heure pour terminer
Optimisation
Dans ce module, nous vous guidons sur la voie qui vous permettra d'optimiser vos modèles de ML.
1 heure pour terminer
13 vidéos (Total 61 min)
13 vidéos
Introduction42s
Définir des modèles de ML4 min
Présentation de l'ensemble de données "natality"6 min
Présentation des fonctions de perte6 min
Descente de gradient5 min
Résoudre des problèmes relatifs aux courbes de perte2 min
Pièges relatifs aux modèles de ML6 min
Atelier : Présentation de TensorFlow Playground6 min
Atelier : TensorFlow Playground (niveau avancé)3 min
Atelier : Utilisation des réseaux de neurones6 min
Résoudre des problèmes relatifs aux courbes de perte1 min
Statistiques de performances3 min
Matrice de confusion5 min
1 exercice pour s'entraîner
Quiz du module6 min
3 heures pour terminer
Généralisation et échantillonnage
Penchons-nous maintenant sur une question un peu particulière : dans quelles conditions est-il préférable de ne pas choisir le modèle ML le plus précis ? Comme nous en avons déjà parlé lors du module précédent sur l'optimisation, ce n'est pas parce que le modèle appliqué à un ensemble de données d'apprentissage présente un taux de perte égal à zéro qu'il sera performant pour de nouvelles données réelles.
3 heures pour terminer
9 vidéos (Total 64 min)
9 vidéos
Introduction1 min
Généralisation et modèles de ML6 min
Comment déterminer le bon moment pour arrêter l'entraînement d'un modèle ?5 min
Créer des échantillons reproductibles dans BigQuery6 min
Démonstration : Fractionnement d'ensembles de données dans BigQuery8 min
Présentation de l'atelier1 min
Explication de l'atelier9 min
Présentation de l'atelier2 min
Explication de l'atelier23 min
1 exercice pour s'entraîner
Questionnaire du module12 min
3 minutes pour terminer
Résumé
3 minutes pour terminer
1 vidéo (Total 3 min)
1 vidéo
À propos de 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.
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
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.
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 ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.