Ce module présente le framework TensorFlow, ses composants principaux ainsi que la hiérarchie globale de l'API.

Les données sont essentielles aux modèles de machine learning, mais collecter les bonnes ne suffit pas. Vous devez également vous assurer de mettre en place les processus adéquats pour nettoyer, analyser et transformer ces données si nécessaire, pour que les modèles puissent les exploiter pleinement. Dans ce module, nous verrons comment entraîner un modèle avec des ensembles de données volumineux grâce à tf.data, travailler avec des fichiers en mémoire et préparer les données pour l'entraînement. Pour terminer, nous évoquerons les représentations vectorielles continues et le scaling des données effectué à l'aide de couches de prétraitement tf.keras.

Dans ce module, nous aborderons les fonctions d'activation et expliquerons en quoi elles sont nécessaires pour permettre aux réseaux de neurones profonds d'identifier les cas de non-linéarité dans les données. Ensuite, nous présenterons les réseaux de neurones profonds avec les API Keras Sequential et Keras Functional avant d'évoquer le sous-classement, qui offre une plus grande flexibilité pour la création de modèles. Enfin, nous parlerons de la régularisation.

Dans ce module, nous verrons comment entraîner des modèles TensorFlow à grande échelle avec Vertex AI.

Ce module est un résumé du cours "Build, Train, and Deploy ML Models with Keras on Google Cloud".