|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/intro-tensorflow-fr
课程评论：没有评论
课程名称：TensorFlow入门（法语版） 课程概述：本课程将向您介绍如何利用TensorFlow 2.x和Keras的灵活性与易用性，创建、训练和部署机器学习模型。您将学习TensorFlow 2.x API的层次结构，通过各种实践练习发现TensorFlow的主要组件。课程将展示如何处理数据集和特征列，设计并创建TensorFlow 2.x的数据输入管道。您将练习如何使用tf.Data.Dataset加载CSV数据、Numpy数组、文本数据和图像，并创建数字、类别、桶和哈希特征列。此外，您将了解Keras的序列API和功能API，以创建深度学习模型。课程涵盖激活函数、损失和优化，并通过Jupyter笔记本的实践工作坊，帮助您建立基本和高级的线性回归和逻辑回归模型。最后，您将学会如何在Cloud AI Platform上训练、部署和生产化大规模机器学习模型。 课程大纲： 1. 课程介绍：介绍TensorFlow 2.x及Keras的使用，如何设计和创建数据输入管道，开发机器学习模型，提升模型精度，以及编写可用于大规模的机器学习模型。 2. TensorFlow简介：讲解TensorFlow 2.x的新范式，通过实践练习加深对TensorFlow API层次结构和主要组件的了解，包括张量和变量的使用。 3. 设计和创建TensorFlow数据输入管道：演示如何处理数据集和特征列，训练如何使用tf.data.Dataset加载CSV、Numpy数组、文本和图像数据。 4. 使用TensorFlow 2和Keras序列API训练神经网络：学习如何使用Keras序列API编写TensorFlow模型，并了解激活函数、损失和优化的内容。掌握如何在云中部署模型进行预测。 5. 使用TensorFlow 2和Keras功能API训练神经网络：功能API提供了更灵活的方式来定义模型，支持多输入和多输出，适用于构建非线性拓扑模型及共享层的模型，并探讨如何利用正则化提高模型性能。 6. 小结：回顾本课程中涉及的所有TensorFlow主题，包括核心TensorFlow代码、tf.data API、序列和功能API，最后讲授如何通过Cloud AI Platform扩展机器学习模型。
Part: 1
Title:Présentation du cours
Description: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.
Part: 2
Title:Présentation de TensorFlow
Description: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.
Part: 3
Title:Concevoir et créer un pipeline de données d'entrée TensorFlow
Description: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.
Part: 4
Title:Entraîner des réseaux de neurones avec TensorFlow 2 et l'API séquentielle Keras
Description: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.
Part: 5
Title:Entraîner des réseaux de neurones avec TensorFlow 2 et l'API fonctionnelle Keras
Description:L'API de modèle séquentielle est idéale pour développer des modèles de deep learning dans la plupart des situations, mais présente certaines limites. Par exemple, elle ne permet pas de définir aussi directement des modèles pouvant avoir plusieurs sources d'entrée différentes, produire plusieurs destinations de sortie ou des modèles réutilisant des couches. L'API fonctionnelle Keras permet de créer des modèles plus flexibles que ceux créés avec l'API séquentielle tf.keras. L'API fonctionnelle peut gérer des modèles avec une topologie non linéaire, des modèles avec des couches partagées et des modèles avec plusieurs entrées ou sorties. L'API fonctionnelle Keras offre une manière plus flexible de définir des modèles. Elle permet spécifiquement de définir des modèles à plusieurs entrées ou sorties ainsi que des modèles qui partagent des couches. De plus, elle permet de définir des graphiques de réseau acycliques ad hoc. L'idée principale est qu'un modèle de deep learning est généralement un graphique acyclique dirigé (DAG) de couches. L'API fonctionnelle est donc une manière de créer des graphiques de couches. Par ailleurs, nous allons voir comment la régularisation peut contribuer aux performances du modèle.
Part: 6
Title:Récapitulatif
Description:Nous allons résumer ici les sujets TensorFlow que nous avons abordés jusqu'à présent dans ce cours. Nous reviendrons sur le code TensorFlow principal, l'API tf.data, les API séquentielle et fonctionnelle, et terminerons par le scaling de vos modèles de machine learning avec Cloud AI Platform.
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. Nous vous présenterons l'API séquentielle Keras et l'API fonctionnelle Keras pour vous montrer comment créer des modèles de deep learning. Nous aborderons les fonctions d'activation, la perte et l'optimisation. Nos ateliers pratiques sur les notebooks Jupyter vous permettent de créer des modèles de machine learning à régression linéaire basique, à régression logistique basique et à régression logistique avancée. Vous apprendrez à entraîner, à déployer et à mettre en production des modèles de machine learning à grande échelle avec Cloud AI Platform.
