Ce module présente le framework TensorFlow et donne un aperçu de ses principaux composants ainsi que de la hiérarchie globale des API.

Les données sont le composant essentiel d'un modèle d'apprentissage automatique. Il ne suffit pas de collecter les bonnes données. Vous devez également vous assurer de mettre en place les bons processus pour nettoyer, analyser et transformer les données, si nécessaire, afin que le modèle puisse en tirer le meilleur signal possible. Dans ce module, nous abordons l'entraînement sur de grands ensembles de données avec tf.data, le travail avec des fichiers en mémoire et la façon de préparer les données pour l'entraînement. Ensuite, nous discutons des embeddings, et nous terminons par un aperçu de la mise à l'échelle des données avec les couches de Prétraitement de données tf.keras.

Dans ce module, nous abordons les fonctions d'activation et la manière dont elles sont nécessaires pour permettre aux réseaux neurones profonds de capturer les non-linéarités des données. Nous donnons ensuite un aperçu des réseaux de neurones profonds à l'aide des API séquentielles et fonctionnelles de Keras. Nous décrivons ensuite la sous-classification des modèles, qui offre une plus grande flexibilité dans la construction des modèles. Le module se termine par une leçon sur la régularisation.

Dans ce module, nous décrivons comment entraîner des modèles TensorFlow à l'échelle à l'aide de Vertex IA.

Ce module est un résumé du cours Construire, entraîner et déployer des modèles ML avec Keras sur Google Cloud.