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.
課程信息
提供方

Google 云端平台
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.
授課大綱 - 您將從這門課程中學到什麼
Présentation du cours
Ce cours est une introduction à TensorFlow 2.x qui intègre la simplicité d'utilisation de Keras pour créer des modèles de machine learning. Ce cours explique comment concevoir et créer un pipeline de données d'entrée TensorFlow 2.x, développer des modèles de machine learning avec TensorFlow 2.x et Keras, améliorer la précision des modèles de machine learning et écrire des modèles de machine learning pour une utilisation à grande échelle.
Présentation de TensorFlow
Nous allons vous présenter le nouveau paradigme de TensorFlow 2.x. À l'aide d'exercices pratiques, vous en apprendrez plus sur la hiérarchie de l'API TensorFlow et découvrirez les principaux composants de TensorFlow, les tenseurs et les variables.
Concevoir et créer un pipeline de données d'entrée TensorFlow
Nous allons vous montrer comment travailler avec des ensembles de données et des colonnes de caractéristiques. À l'aide d'exercices pratiques, vous vous entraînerez à charger des données CSV, des tableaux Numpy avec un tf.data.Dataset, 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.
Entraîner des réseaux de neurones avec TensorFlow 2 et l'API séquentielle Keras
Dans ce module, vous découvrirez comment rédiger des modèles TensorFlow à l'aide de l'API séquentielle Keras. Avant de nous pencher sur l'écriture de modèles, nous allons aborder les fonctions d'activation, la perte et l'optimisation. Vous découvrirez ensuite l'API séquentielle Keras pour apprendre à créer des modèles de deep learning. Vous apprendrez aussi à déployer le modèle pour effectuer des prédictions dans le cloud.
關於 Machine Learning with TensorFlow on Google Cloud en Français 專項課程
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.

常見問題
我能否在注册前预览课程?
我注册之后会得到什么?
我什么时候会收到课程证书?
我为什么不能旁听此课程?
有助学金吗?
還有其他問題嗎?請訪問 學生幫助中心。