|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/art-science-ml-fr
课程评论：没有评论
课程名称：机器学习的艺术与科学（法语） 课程概述： 欢迎参加“机器学习的艺术与科学”。本课程分为六个模块，旨在提高您在机器学习（ML）模型调整和性能优化方面的必备技能，如直觉、常识和实验。课程将介绍如何利用正则化技术来使模型更具泛化能力，同时探讨批量大小和学习率等超参数对模型性能的影响。此外，课程还将讲解一些常用的优化算法，并展示如何在TensorFlow代码中指定优化方法。 课程大纲： 第一部分：介绍 在本模块中，您将了解“机器学习的艺术与科学”课程的内容，以及提高机器学习模型性能所需的重要技能。 第二部分：机器学习的艺术 您将学习如何调整批量大小和学习率，从而提升模型的性能，并将这些概念应用于TensorFlow代码中。 第三部分：超参数调整 本模块将帮助您区分参数与超参数，并探讨传统的网络搜索方法以及更智能的算法。此外，还将介绍Cloud ML Engine如何简化超参数的调整过程。 第四部分：科学的触感 我们将探讨机器学习艺术背后的科学，学习如何进行有利于简化模型的正则化，以及了解逻辑回归和性能评估。 第五部分：神经网络科学 深入探讨机器学习科学的一个重要方面：神经网络。 第六部分：连续向量表示 学习如何使用连续向量表示来处理稀疏数据，以降低内存消耗并加快训练速度。这些表示也有助于进行维度降低，使模型更加简单和具有更强的泛化能力。 第七部分：总结 课程的总结部分将回顾所学内容，帮助学员加深理解。
Part: 1
Title:Présentation
Description:Bienvenue dans "Art and Science of Machine Learning". Dans ce cours, nous allons voir les compétences essentielles que sont l'intuition, le bon sens et l'expérimentation, nécessaires pour ajuster vos modèles de ML et optimiser leurs performances. Nous verrons comment généraliser votre modèle à l'aide de techniques de régularisation, et nous évoquerons les effets des hyperparamètres tels que la taille de lot et le taux d'apprentissage sur les performances de votre modèle. Nous présenterons également certains des algorithmes d'optimisation les plus courants et vous montrerons comment spécifier une méthode d'optimisation dans votre code TensorFlow.
Part: 2
Title:L'art du ML
Description:Dans ce module, vous allez apprendre à régler la taille de lot et le taux d'apprentissage pour améliorer les performances du modèle, à optimiser votre modèle et à appliquer les concepts au code TensorFlow.
Part: 3
Title:Réglages des hyperparamètres
Description:Dans ce module, vous allez apprendre à faire la différence entre les paramètres et les hyperparamètres. Ensuite, nous aborderons l'approche traditionnelle de recherche de réseaux et verrons comment aller plus loin grâce à des algorithmes plus intelligents. Enfin, vous découvrirez à quel point Cloud ML Engine facilite l'automatisation des réglages des hyperparamètres.
Part: 4
Title:Un soupçon de science
Description:Dans ce module, nous allons évoquer la science qui accompagne l'art du machine learning. Nous allons d'abord découvrir comment effectuer la régularisation à des fins de parcimonie pour parvenir à des modèles plus simples et plus concis. Ensuite, nous verrons ce qu'est la régression logistique et comment déterminer les performances.
Part: 5
Title:La science des réseaux de neurones
Description:Dans ce module, nous allons approfondir l'aspect scientifique du ML, en particulier les réseaux de neurones.
Part: 6
Title:Représentations vectorielles continues
Description:Dans ce module, vous apprendrez à utiliser les représentations vectorielles continues pour gérer des données creuses, afin que les modèles de machine learning utilisant des données creuses consomment moins de mémoire et s'entraînent plus rapidement. Les représentations vectorielles continues permettent également d'effectuer une réduction de la dimensionnalité, et ainsi de rendre les modèles plus simples et plus généralisables.
Part: 7
Title:Résumé
Description:
Bienvenue dans "Art and Science of Machine Learning". Ce cours se compose de 6 modules. Dans ce cours, nous allons voir les compétences essentielles que sont l'intuition, le bon sens et l'expérimentation, nécessaires pour ajuster vos modèles de ML et optimiser leurs performances. Nous verrons comment généraliser votre modèle à l'aide de techniques de régularisation, et nous évoquerons les effets des hyperparamètres tels que la taille de lot et le taux d'apprentissage sur les performances de votre modèle. Nous présenterons également certains des algorithmes d'optimisation les plus courants et vous montrerons comment spécifier une méthode d'optimisation dans votre code TensorFlow.
