基于Google云平台的TensorFlow机器学习 法语版

课程概况

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

包含课程

课程1
How Google does Machine Learning 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.

课程2
Launching into Machine Learning en Français

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

课程3
Intro to TensorFlow en Français

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

课程4
Feature Engineering en Français

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.

课程5
Art and Science of Machine Learning en Français

Bienvenue dans cette formation sur l'art et la science du machine learning. Dans ce cours, vous allez acquérir les compétences essentielles que requiert le ML : intuition, discernement et capacités d'expérimentation. De cette façon, vous pourrez ajuster précisément vos modèles de ML et les améliorer pour obtenir des performances optimales.
Ce cours vous présente les nombreux mécanismes intervenant dans l'entraînement d'un modèle. Vous commencerez par les ajuster manuellement pour observer leurs effets sur les performances du modèle. Une fois que vous serez familiarisé avec ces mécanismes, également appelés ""hyperparamètres"", vous apprendrez à les régler automatiquement avec Cloud Machine Learning Engine sur Google Cloud Platform.

课程项目

Cette spécialisation comporte des ateliers pratiques à réaliser sur notre plate-forme Qwiklabs.

Ces ateliers vous permettent d'appliquer ce que vous apprenez dans les cours en vidéo. Les projets sont axés autour de thèmes tels que les produits Google Cloud Platform. Ces derniers sont d'ailleurs utilisés et configurés dans Qwiklabs. Vous développerez ainsi une expérience pratique des concepts expliqués dans les modules.