Description du cours
Dans ce cours sur TensorFlow, vous commencerez par apprendre comment l'apprentissage automatique peut être utilisé pour résoudre des problèmes du monde réel dans différents domaines tels que la finance et la biologie. Vous explorerez les modèles de classification, le traitement des données Pandas, la visualisation Seaborn, ainsi que l'évaluation des modèles et les mesures de performance.
Ensuite, vous explorerez les différents modules complémentaires disponibles pour TensorFlow et comment les utiliser efficacement dans vos projets d'apprentissage automatique. Vous découvrirez des outils tels que TensorFlow Hub, l'API de probabilité TensorFlow et TensorFlow Lite. Plus tard, vous découvrirez l'apprentissage par transfert et comment utiliser des modèles pré-entraînés pour améliorer les performances de vos projets d’apprentissage automatique
Vous explorerez également les différents avantages de l'apprentissage par transfert et comment utiliser des outils tels que les matrices de confusion et les ensembles de données de validation pour affiner votre modèle. À la fin du cours, vous aurez une compréhension de base de l'apprentissage par transfert et les compétences nécessaires pour utiliser des modèles pré-entraînés afin d'améliorer les performances de vos projets d'apprentissage automatique.
Que vous cherchiez à résoudre des problèmes du monde réel, à améliorer les capacités de vos modèles d'apprentissage automatique ou à améliorer leurs performances, ce cours vous fournira les compétences et les connaissances nécessaires pour réussir.
Ce que vous allez apprendre
- Comprendre les types de problèmes concrets (du monde réel) que l'apprentissage automatique (machine learning) peut résoudre dans des domaines tels que la finance et la biologie
- Appliquer des modèles de classification à des problèmes concrets en utilisant TensorFlow
- Prétraiter les données avec Pandas et les préparer pour une utilisation dans des modèles pré-entraînés
- Utiliser des modules complémentaires TensorFlow, notamment TensorFlow Hub, TensorFlow Probability API et TensorFlow Lite
- Construire, compiler et entraîner un modèle d'apprentissage par transfert (transfer learning) en utilisant des modèles pré-entraînés
- Évaluer et affiner des modèles à l'aide de matrices de confusion et de jeux de données de validation
Points clés à retenir
- L'apprentissage automatique (machine learning) peut être appliqué à des problèmes concrets dans différents domaines tels que la finance et la biologie.
- Le cours couvre les modèles de classification, le traitement des données avec Pandas, la visualisation avec Seaborn, ainsi que l'évaluation des modèles et les indicateurs de performance.
- L'apprentissage par transfert (transfer learning) utilise des modèles pré-entraînés pour améliorer les performances des projets d'apprentissage automatique.
- Des outils tels que TensorFlow Hub vous aident à trouver et à utiliser des modèles pré-entraînés, tandis que les matrices de confusion et les jeux de données de validation permettent d'affiner un modèle.
- À la fin du cours, vous acquerrez une compréhension fondamentale de l'apprentissage par transfert et les compétences nécessaires pour utiliser efficacement les modèles pré-entraînés.
Foire aux questions
À qui s'adresse ce cours ?
Il s'adresse à toute personne cherchant à résoudre des problèmes concrets, à améliorer les capacités de ses modèles d'apprentissage automatique (machine learning) ou à améliorer ses performances à l'aide de TensorFlow.
Que vais-je apprendre dans ce cours ?
Vous apprendrez à utiliser l'apprentissage automatique pour résoudre des problèmes concrets, à explorer les modèles de classification, le traitement des données avec Pandas, la visualisation avec Seaborn et l'évaluation des modèles. Vous travaillerez avec des modules complémentaires TensorFlow tels que TensorFlow Hub, l'API TensorFlow Probability et TensorFlow Lite, et appliquerez l'apprentissage par transfert (transfer learning) avec des modèles pré-entraînés.
Quel est l'objectif à la fin du cours ?
À la fin, vous aurez une compréhension fondamentale de l'apprentissage par transfert (transfer learning) et les compétences nécessaires pour utiliser des modèles pré-entraînés afin d'améliorer les performances de vos projets d'apprentissage automatique.
Quelles compétences ce cours couvre-t-il ?
Il couvre l'apprentissage automatique (Machine Learning), l'entraînement de modèles d'apprentissage automatique, ML.NET, TensorFlow, les jeux de données d'entraînement (Training Datasets) et l'apprentissage par transfert (Transfer Learning).
Le cours couvre-t-il l'évaluation et l'ajustement (fine-tuning) des modèles ?
Oui, il couvre l'évaluation des modèles et les indicateurs (métriques) de performance et explique comment utiliser des outils tels que les matrices de confusion et les ensembles de données de validation pour affiner (fine-tune) votre modèle.
