關於此課程：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
此課程適用人群：Ce cours s'adresse aux data scientists, aux ingénieurs données et aux programmeurs qui cherchent à acquérir des connaissances pratiques sur l'application du machine learning.
製作方： Google Cloud
| 級別 | 中級 |
| 承諾學習時間 | Une semaine de cours, 8 à 10 heures par semaine |
| 語言 | 法語（French）, 字幕：巴西葡萄牙語, 德語（German）, 西班牙語（Spanish）, 日語 |
| 硬件要求 | Vous aurez besoin d'un navigateur Web de bureau pour accéder aux ateliers. |
| 如何通過 | 通過所有計分作業以完成課程。 |
預覽
授課大綱
第 1 週
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.
2 個視頻
- 視頻: Présentation de Qwiklabs
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.
19 個視頻
- 視頻: Qu'est-ce que TensorFlow ?
- 視頻: Avantages d'un graphe orienté
- 視頻: Hiérarchie de l'API TensorFlow
- 視頻: Évaluation paresseuse
- Discussion Prompt: Importance de la hiérarchie de l'API
- 視頻: Graphique et session
- 視頻: Évaluer un Tensor
- 視頻: Visualiser un graph
- 視頻: Tensors
- 視頻: Variables
- Discussion Prompt: Variables et espaces réservés
- 視頻: Présentation de l'atelier : Écrire des programmes TensorFlow de bas niveau
- 視頻: Solution de l'atelier
- 視頻: Présentation
- 視頻: Problèmes de forme
- 視頻: Résoudre les problèmes de forme
- 視頻: Problèmes de type de données
- 視頻: Déboguer des programmes complets
- 視頻: Présentation : Déboguer des programmes complets
- 視頻: Démonstration : Déboguer des programmes complets
已評分: Qu'est-ce que TensorFlow ?
已評分: Graphe et session
已評分: Qwiklabs – Rédiger des programmes TensorFlow de bas niveau
已評分: Core TensorFlow
第 2 週
API Estimator
Au cours de ce module, nous allons vous présenter dans le détail l'API Estimator.
18 個視頻
- 視頻: API Estimator
- 視頻: Estimators prédéfinis
- 視頻: Démonstration : Modèle du prix des logements
- 視頻: Points de contrôle
- 視頻: Apprentissage avec des ensembles de données en mémoire
- 視頻: Présentation de l'atelier : API Estimator
- 視頻: Solution de l'atelier : API Estimator
- 視頻: Apprentissage avec de grands ensembles de données grâce à l'API Dataset
- 視頻: Présentation de l'atelier : Scaling de l'ingestion TensorFlow à l'aide du traitement par lot
- 視頻: Solution de l'atelier : Scaling de l'ingestion TensorFlow à l'aide du traitement par lot
- 視頻: Tâches de grande envergure, apprentissage distribué
- 視頻: Assurer la surveillance avec TensorBoard
- 視頻: Démonstration : UI TensorBoard
- 視頻: Fonctionnalité d'entrée de diffusion
- 視頻: Récapitulatif : API Estimator
- 視頻: Présentation de l'atelier : Créer un modèle TensorFlow d'apprentissage distribué avec l'API Estimator
- 視頻: Solution de l'atelier : Créer un modèle TensorFlow d'apprentissage distribué avec l'API Estimator
已評分: Qwiklabs – API Estimator
已評分: Qwiklabs – Assurer le scaling de l'ingestion TensorFlow à l'aide du regroupement
已評分: Qwiklabs – Créer un modèle TensorFlow d'entraînement distribué avec l'API Estimator
已評分: API Estimator
第 3 週
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.
6 個視頻
- 視頻: Pourquoi Cloud Machine Learning Engine ?
- 視頻: Entraîner un modèle
- 視頻: Surveiller et déployer des tâches d'entraînement
- 視頻: Présentation de l'atelier : Scaling de TensorFlow avec Cloud Machine Learning Engine
- 視頻: Solution de l'atelier : Scaling de TensorFlow avec Cloud Machine Learning Engine
已評分: Qwiklabs – Effectuer le scaling des modèles TensorFlow avec Cloud Machine Learning Engine
已評分: Cloud MLE
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.
1 個視頻
常見問題解答
運作方式
Coursework
Each course is like an interactive textbook, featuring pre-recorded videos, quizzes and projects.
Help from Your Peers
Connect with thousands of other learners and debate ideas, discuss course material, and get help mastering concepts.
Certificates
Earn official recognition for your work, and share your success with friends, colleagues, and employers.
製作方
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.
價格
| 購買課程 | |
|---|---|
| 訪問課程材料 | 可用 |
| 訪問評分的材料 | 可用 |
| 收到最終成績 | 可用 |
| 獲得可共享的課程證書 | 可用 |
