Специализация Machine Learning with TensorFlow on Google Cloud en Français

"Quelles sont les bonnes pratiques pour implémenter le machine learning sur Google Cloud ? En quoi consiste la plate-forme Vertex AI et comment pouvez-vous l'utiliser pour créer, entraîner et déployer rapidement des modèles de machine learning AutoML sans écrire une seule ligne de code ? Qu'est-ce que le machine learning et quels types de problèmes permet-il de résoudre ?

Google aborde le machine learning d'une façon particulière, qui consiste à fournir une plate-forme unifiée pour les ensembles de données gérés, ainsi qu'un magasin de caractéristiques et un moyen de créer, d'entraîner et de déployer des modèles de machine learning sans écrire une seule ligne de code. Il s'agit également de permettre aux utilisateurs d'étiqueter les données et de créer des notebooks Workbench à l'aide de frameworks tels que TensorFlow, Scikit Learn, Pytorch et R. Avec notre plate-forme Vertex AI, il est également possible d'entraîner des modèles personnalisés, de créer des pipelines de composants, ainsi que de générer des prédictions en ligne et par lot. Dans ce cours, nous aborderons les cinq phases permettant de convertir un cas d'utilisation pour le traiter à l'aide du machine learning, avant de déterminer pourquoi chacune d'elles est importante. Nous étudierons également les biais que le machine learning peut amplifier, puis nous apprendrons à les repérer."

Au début de ce cours, vous trouverez une discussion concernant les données, expliquant comment améliorer leur qualité et comment effectuer des analyses exploratoires. Ensuite, nous vous présenterons Vertex AI AutoML et vous expliquerons comment créer, entraîner et déployer un modèle de machine learning (ML) sans écrire une ligne de code. Vous découvrirez également les avantages de BigQuery ML. Enfin, nous verrons comment optimiser un modèle de ML, et en quoi la généralisation ainsi que l'échantillonnage peuvent vous aider à évaluer la qualité des modèles de ML destinés à un entraînement personnalisé.

Ce cours porte sur la conception et la création d'un pipeline de données d'entrée TensorFlow 2.x, la création de modèles de ML à l'aide de TensorFlow 2.x et Keras, l'amélioration de la précision des modèles de ML, l'écriture de modèles de ML pour une utilisation évolutive et l'écriture de modèles de ML spécialisés.

Vous voulez en savoir plus sur Vertex AI Feature Store ? Vous souhaitez découvrir comment améliorer la précision de vos modèles de ML ? Comment déterminer les colonnes de données présentant les caractéristiques les plus utiles ? Bienvenue dans le cours "Feature Engineering", dans lequel vous apprendrez à distinguer les caractéristiques pertinentes de celles qui ne le sont pas. Vous verrez aussi comment les prétraiter et les transformer pour les utiliser de manière optimale dans vos modèles. Ce cours inclut du contenu et des ateliers portant sur l'extraction de caractéristiques à l'aide de BigQuery ML, Keras et TensorFlow.