Description du cours
L'apprentissage par transfert est une technique puissante d'apprentissage automatique qui consiste à utiliser des modèles pré-entraînés pour améliorer les performances de vos propres modèles. Dans ces leçons, vous découvrirez les différents avantages de l'apprentissage par transfert et comment utiliser des modèles pré-entraînés pour améliorer les performances de vos projets d’apprentissage automatique.
Vous commencerez par explorer les différents affirmations Vrai/Faux liés à l'apprentissage par transfert, tels que la nécessité de remodeler les données pour les modèles pré-entraînés et l'importance d'utiliser l'entropie croisée binaire pour les problèmes de classification à deux classes. Vous découvrirez également les modèles d'image populaires utilisés dans l'apprentissage par transfert, tels que MobileNetV2, et où télécharger des modèles TensorFlow pré-entraînés.
Ensuite, vous découvrirez les différentes étapes de prétraitement impliquées dans l'apprentissage par transfert, telles que le remodelage des données et la normalisation des données. Vous explorerez également les avantages du traitement par lots, tels que l'accélération de votre modèle et la facilitation du traitement des jeux de données volumineux.
Vous apprendrez à utiliser des outils tels que les jeux de données de validation et les matrices de confusion pour affiner votre modèle et améliorer ses performances. De plus, vous explorerez les différents paramètres impliqués dans l'apprentissage par transfert, tels que le nombre d'époques pour l'entraînement et la congélation des poids.
Ce que vous allez apprendre
- Comprendre le concept de l'apprentissage par transfert (transfer learning) et ses avantages dans l'apprentissage automatique (machine learning)
- Utiliser des modèles TensorFlow pré-entraînés tels que MobileNetV2 pour améliorer vos projets de machine learning
- Prétraiter (preprocess) les données pour les modèles pré-entraînés en les remodelant et en les normalisant
- Construire, compiler et entraîner un modèle d'apprentissage par transfert
- Affiner (fine-tune) votre modèle à l'aide d'ensembles de données de validation et de matrices de confusion
- Tester et valider l'ajustement (fit) de votre modèle sur des exemples
Points clés à retenir
- Le transfert d'apprentissage (transfer learning) utilise des modèles pré-entraînés pour améliorer les performances de vos propres modèles d'apprentissage automatique.
- MobileNetV2 est un modèle d'image populaire utilisé dans l'apprentissage par transfert, et des modèles TensorFlow pré-entraînés peuvent être téléchargés pour être utilisés.
- Le prétraitement pour l'apprentissage par transfert comprend le remodelage et la normalisation des données afin qu'elles fonctionnent avec des modèles pré-entraînés.
- Le traitement par lots (batching) accélère votre modèle et facilite le traitement de grands ensembles de données.
- Les paramètres de l'apprentissage par transfert (transfer learning) comprennent le nombre d'époques (epochs) pour l'entraînement et le gel des poids (freezing of weights).
Foire aux questions
Que vais-je apprendre dans ce cours ?
Vous apprendrez le concept de l'apprentissage par transfert (transfer learning) et ses avantages, comment utiliser des modèles pré-entraînés comme MobileNetV2 pour améliorer vos projets de machine learning, comment prétraiter les données en les remodelant et en les normalisant, et comment affiner votre modèle en utilisant des ensembles de données de validation et des matrices de confusion.
Quelles compétences ce cours couvre-t-il ?
Le cours couvre l'Apprentissage Profond (Deep Learning), l'Entraînement de Modèles d'Apprentissage Automatique, l'Apprentissage Supervisé, TensorFlow, les Ensembles de Données d'Entraînement et l'Apprentissage par Transfert (Transfer Learning).
Quels sujets sont abordés dans les leçons ?
Les leçons couvrent la construction d'un modèle d'apprentissage par transfert, la compilation et l'entraînement du modèle, le test du modèle sur des exemples et la validation de l'ajustement (fit) du modèle.
Quelles étapes de prétraitement ce cours enseigne-t-il pour l'apprentissage par transfert ?
Il enseigne des étapes de prétraitement (preprocessing) telles que le remodelage des données et la normalisation des données, et explique les avantages du traitement par lots (batching), y compris l'accélération de votre modèle et la facilitation du traitement de grands ensembles de données.
Quels paramètres de modèle sont discutés dans ce cours ?
Le cours explore les paramètres impliqués dans l'apprentissage par transfert, tels que le nombre d'époques (epochs) pour l'entraînement et le gel des poids (freezing of weights).
