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 ? Google adopte une approche particulière du machine learning qui s'appuie non seulement sur les données, mais également sur la logique. Nous expliquerons l'intérêt que présente cette conception pour la création d'un pipeline de modèles de ML. Ensuite, nous examinerons les cinq phases permettant de convertir un cas d'utilisation devant être traité à l'aide du machine learning et étudierons pourquoi chaque étape est importante. Enfin, nous identifierons les biais que le machine learning est susceptible d'amplifier et apprendrons à les repérer.

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.

Objectifs du cours : Déterminer pourquoi le deep learning est désormais si courant Optimiser et évaluer des modèles en utilisant des fonctions de perte et des statistiques de performances Corriger les problèmes courants liés au machine learning Créer des ensembles de données de formation, d'évaluation et de test reproductibles et évolutifs

Ce cours va vous expliquer comment exploiter la flexibilité et la facilité d'utilisation de TensorFlow 2.x et de Keras pour créer, entraîner et déployer des modèles de machine learning. Vous en apprendrez plus sur la hiérarchie de l'API TensorFlow 2.x et découvrirez les principaux composants de TensorFlow à travers divers exercices pratiques. Nous allons vous montrer comment travailler avec des ensembles de données et des colonnes de caractéristiques. Vous apprendrez à concevoir et à créer un pipeline de données d'entrée TensorFlow 2.x. À l'aide d'exercices pratiques, vous vous entraînerez à charger des données CSV, des tableaux Numpy, des données de texte et des images à l'aide de tf.Data.Dataset. Vous vous entraînerez également à créer des colonnes de caractéristiques numériques, catégorielles, en buckets et hachées.

Nous vous présenterons l'API séquentielle Keras et l'API fonctionnelle Keras pour vous montrer comment créer des modèles de deep learning. Nous aborderons les fonctions d'activation, la perte et l'optimisation. Nos ateliers pratiques sur les notebooks Jupyter vous permettent de créer des modèles de machine learning à régression linéaire basique, à régression logistique basique et à régression logistique avancée. Vous apprendrez à entraîner, à déployer et à mettre en production des modèles de machine learning à grande échelle avec Cloud AI Platform.

Vous souhaitez découvrir comment améliorer la précision de vos modèles de machine learning (ML) ? Vous voulez identifier les colonnes de données offrant les caractéristiques les plus utiles ? Bienvenue dans le cours Feature Engineering on Google Cloud Platform (Extraction de caractéristiques sur Google Cloud Platform). Nous vous expliquerons ce qui distingue les bonnes caractéristiques des mauvaises, puis nous vous montrerons comment prétraiter et transformer vos caractéristiques afin d'optimiser leur efficacité dans vos modèles.

Des ateliers interactifs vous permettront de mettre en pratique ce que vous avez appris. Vous sélectionnerez vous-même des caractéristiques, puis les prétraiterez dans Google Cloud Platform. Nos formateurs vous aideront à comprendre les solutions de code. Ces solutions seront accessibles à tous, et pourront vous servir de référence en cas de besoin lorsque vous travaillerez sur vos propres projets de ML.