***NEW! Specialization Completion Challenge, receive Qwiklabs credits valued up to $150! See below for details.*** What is machine learning, and what kinds of problems can it solve? Google thinks about machine learning slightly differently -- of being about logic, rather than just data. We talk about why such a framing is useful for data scientists when thinking about building a pipeline of machine learning models. Then, we discuss the five phases of converting a candidate use case to be driven by machine learning, and consider why it is important the phases not be skipped. We end with a recognition of the biases that machine learning can amplify and how to recognize this. SPECIALIZATION COMPLETION CHALLENGE As if learning new skills wasn’t enough of an incentive, we're excited to announce a special completion challenge for 'Machine Learning with TensorFlow on Google Cloud Platform’ specialization. Here’s how it works: Our completion challenge runs through 11:59pm PT May 5, 2019. Complete any course in this Specialization including this one, anytime in this period and we'll send you 30 Qwiklabs credits for each course completed (upto $150 value given there are 5 courses in the specialization). You can use these credits to take additional labs and earn badges, which you can then add to your resume and social profiles. Your challenge awaits – begin learning on Coursera today! >>> By enrolling in this specialization you agree to the Qwiklabs Terms of Service as set out in the FAQ and located at: https://qwiklabs.com/terms_of_service <<<
Specialization Agenda
Loading...
En provenance du cours de Google Cloud
How Google does Machine Learning
2879 notes
Google Cloud
2879 notes
Cours 1 sur 5 dans Specialization Machine Learning with TensorFlow on Google Cloud Platform
À partir de la leçon
Introduction to specialization
Introduces the specialization and the Google experts who will be teaching it.
Rencontrer les enseignants
Google Cloud Training
Nous commençons la spécialisation par ce cours,
Google et le ML,
dans lequel je présente le ML et explique pourquoi
nous donnons priorité à l'IA.
Mon collègue Josh vous présentera ensuite la stratégie du machine learning.
Nous terminerons par une discussion sur les outils
pour faire du ML à grande échelle avec des blocs-notes Python
et des composants de traitement des données sans serveur.
Si vous êtes ingénieur ou data scientist,
vous pensez probablement que tout cela est trop abstrait
et vous êtes sur le point de passer au cours suivant
qui explore les détails techniques de TensorFlow.
Avant de prendre cette décision, laissez-moi vous dire quelque chose.
Quand nous avons enseigné ces cours à nos clients,
une remarque revenait souvent :
le module de Josh était celui qu'ils regardaient le plus souvent.
Après leur retour au travail, six mois plus tard,
le module qu'ils regardaient le plus était celui sur la stratégie du ML.
Il faut une vue d'ensemble avant d'entrer dans les détails techniques,
car cela est très important
pour convaincre le reste de l'entreprise.
Nous faisons ensuite du ML avec TensorFlow.
Deux éléments sont inclus :
1. Créer un ensemble de données de ML de bonne qualité
2. Créer votre premier modèle de ML avec TensorFlow
Créer un ensemble de données de ML est un autre module pratique
qu'il faut absolument suivre.
Si vous créez un modèle de ML, qui fonctionne bien pendant les tests,
mais qui échoue totalement en production,
la façon dont vous avez créé l'ensemble de données de ML est souvent en cause.
Prenez donc le temps de bien comprendre ces cours.
Nous avons aussi deux cours sur l'amélioration de la justesse du ML.
Lors de la création de votre premier modèle de ML,
vous verrez que de nombreuses options permettent d'améliorer ce modèle.
Cette partie contient plein d'idées pour remplir votre caisse à outils.
Vous utiliserez différentes idées selon la situation.
Les connaître vous sera utile dans votre carrière
pour résoudre différents problèmes de ML.
Il n'est pas suffisant de savoir nommer ces concepts.
Vous devez prendre le temps de les comprendre
et savoir comment les intégrer dans votre code.
Nous passons ensuite à une série de cours
sur l'opérationnalisation des modèles de ML.
Comme je l'ai déjà dit,
opérationnaliser un modèle de ML,
c'est l'entraîner à grande échelle d'une façon distribuée,
obtenir des prédictions,
créer un modèle de ML de bout en bout.
Opérationnaliser un modèle de ML peut être très difficile.
La plupart des projets de ML échouent lors de cette étape.
De très nombreuses entreprises m'ont raconté
que leurs équipes d'innovation avaient mis au point de très bons projets de ML,
mais qu'elles avaient du mal à rendre ces modèles opérationnels.
Dans cette série de cours,
nous allons voir comment entraîner, déployer et prédire avec des modèles de ML
pour qu'ils puissent passer en production.
Enfin, nous reviendrons à la théorie du machine learning.
Enfin, "théorie" entre guillemets.
La théorie du ML est principalement heuristique.
Le ML est une discipline extrêmement heuristique,
et vous ne pouvez être performant que si vos outils et astuces le sont.
Nous vous présenterons différents outils et astuces
pour les cas où les entrées de vos modèles de ML sont des images.
Les outils et astuces qui vous aident pour le traitement produisent
des séquences,
et les séquences en ML peuvent être des données de séries temporelles
ou des données de texte.
Enfin, nous verrons plusieurs méthodes
pour créer des systèmes de recommandations puissants.
Les systèmes de recommandations
décrivent comment créer des algorithmes personnalisés.
C'est donc quelque chose que la plupart des ingénieurs en ML conçoivent
à un moment ou à un autre de leur carrière.
Ce sera peut-être même le seul système de ML qu'ils créeront.
Mais pour concevoir des moteurs de recommandations puissants,
vous devez comprendre les outils et astuces
empruntés aux images et séquences.
C'est pourquoi nous nous y intéressons dans cet ordre,
et c'est pourquoi nous étudions les moteurs de recommandations
à la fin de cette spécialisation.
Vous avez peut-être déjà vu ces documents avant,
plus particulièrement dans les quatre premiers cours.
Par exemple, dans les cours sur la création d'ensembles de données
et sur les fondamentaux de TensorFlow,
certaines diapositives sont tirées
du cours "Machine learning sans serveur avec TensorFlow"
qui est disponible dans Coursera.
De la même façon, vous avez peut-être déjà suivi
le Cours d'initiation au machine learning. C'est un cours interne à Google,
mais il a aussi été donné dans certaines universités.
Vous reconnaîtrez peut-être certains documents et représentations
et le cours "Art et science du ML".
Cependant, les détails sont assez différents,
donc ne faites pas l'impasse sur ce cours.
Considérez ces cours comme des rappels utiles
et mémorisez bien les idées présentées dans ces parties.
Explorer notre catalogue
Rejoignez-nous gratuitement et obtenez des recommendations, des mises à jour et des offres personnalisées.
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2019 Coursera Inc. Tous droits réservés.
