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
本課程是 Machine Learning with TensorFlow on Google Cloud Platform en Français 專項課程 專項課程的一部分
Intro to TensorFlow en Français
提供方
教學大綱 - 您將從這門課程中學到什麼
週
1Introduction
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 （總計 7 分鐘）
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 （總計 72 分鐘）, 4 個測驗
19 個視頻
Présentation1分鐘
Qu'est-ce que TensorFlow ?2分鐘
Avantages d'un graphe orienté5分鐘
Hiérarchie de l'API TensorFlow3分鐘
Évaluation paresseuse4分鐘
Graphique et session4分鐘
Évaluer un Tensor2分鐘
Visualiser un graph2分鐘
Tensors6分鐘
Variables6分鐘
Présentation de l'atelier : Écrire des programmes TensorFlow de bas niveau16
Solution de l'atelier8分鐘
Présentation5分鐘
Problèmes de forme3分鐘
Résoudre les problèmes de forme2分鐘
Problèmes de type de données1分鐘
Déboguer des programmes complets4分鐘
Présentation : Déboguer des programmes complets15
Démonstration : Déboguer des programmes complets3分鐘
3 個練習
Qu'est-ce que TensorFlow ?2分鐘
Graphe et session8分鐘
Core TensorFlow20分鐘
週
2API Estimator
Au cours de ce module, nous allons vous présenter dans le détail l'API Estimator.
18 個視頻 （總計 67 分鐘）, 4 個測驗
18 個視頻
Présentation1分鐘
API Estimator3分鐘
Estimators prédéfinis5分鐘
Démonstration : Modèle du prix des logements1分鐘
Points de contrôle1分鐘
Apprentissage avec des ensembles de données en mémoire2分鐘
Présentation de l'atelier : API Estimator39
Solution de l'atelier : API Estimator10分鐘
Apprentissage avec de grands ensembles de données grâce à l'API Dataset8分鐘
Présentation de l'atelier : Scaling de l'ingestion TensorFlow à l'aide du traitement par lot35
Solution de l'atelier : Scaling de l'ingestion TensorFlow à l'aide du traitement par lot5分鐘
Tâches de grande envergure, apprentissage distribué6分鐘
Assurer la surveillance avec TensorBoard3分鐘
Démonstration : UI TensorBoard28
Fonctionnalité d'entrée de diffusion5分鐘
Récapitulatif : API Estimator1分鐘
Présentation de l'atelier : Créer un modèle TensorFlow d'apprentissage distribué avec l'API Estimator51
Solution de l'atelier : Créer un modèle TensorFlow d'apprentissage distribué avec l'API Estimator7分鐘
1 個練習
API Estimator18分鐘
週
3Effectuer 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 （總計 29 分鐘）, 2 個測驗
6 個視頻
Pourquoi Cloud Machine Learning Engine ?6分鐘
Entraîner un modèle2分鐘
Surveiller et déployer des tâches d'entraînement2分鐘
Présentation de l'atelier : Scaling de TensorFlow avec Cloud Machine Learning Engine50
Solution de l'atelier : Scaling de TensorFlow avec Cloud Machine Learning Engine16分鐘
1 個練習
Cloud MLE10分鐘
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 （總計 2 分鐘）
1 個視頻
關於 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.
關於 Machine Learning with TensorFlow on Google Cloud Platform 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.
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 <<<
常見問題
我能否在注册前预览课程？
是的，您可以在注册之前预览第一个视频和查看授课大纲。您必须购买课程，才能访问预览不包括的内容。
我什么时候能够访问课程视频和作业？
如果您决定在班次开始日期之前注册课程，那么您将可以访问课程的所有课程视频和阅读材料。班次开始之后，您便可以提交作业。
我注册之后会得到什么？
在您注册且班次开课之后，您将可以访问所有视频和其他资源，包括阅读材料内容和课程论坛。您将能够查看和提交练习作业，并完成所需的评分作业以获得成绩和课程证书。
我什么时候会收到课程证书？
如果您成功完成课程，您的电子课程证书将添加到您的成就页中，您可以通过该页打印您的课程证书或将其添加到您的领英档案中。
我为什么不能旁听此课程？
This course is one of a few offered on Coursera that are currently available only to learners who have paid or received financial aid, when available.
退款政策是如何规定的？
有助学金吗？
還有其他問題嗎？請訪問 學生幫助中心。
