Contenu
- Introduction à Tensorflow pour l'apprentissage automatique et l'apprentissage approfondi de l'intelligence artificielle (proposé par deeplearning.ai)
- Pas de bugs, pas de stress - Votre guide étape par étape pour créer un logiciel qui change la vie sans vous détruire
- Tensorflow in Practice Learning (Proposé par deeplearning.ai)
- Réseaux de neurones convolutionnels et flux de tenseurs (proposé par deeplearning.ai)
- Compréhension de l'image avec Tensorflow sur GCP (proposé par Google Cloud Platform)
- Apprentissage automatique sans serveur avec Tensorflow sur la plateforme Google Cloud (proposé par la plateforme Google Cloud)
- Traitement du langage naturel avec Tensorflow (proposé par deeplearning.ai)
- Conclusion
À emporter:
Tensorflow est l’une des bibliothèques open source préférées de l’ingénieur ML pour représenter les fonctions de code impliquées dans ML, et pour visualiser les opérations mathématiques utilisées dans les réseaux de neurones et d’autres configurations ML.
Tensorflow est l’une des bibliothèques open source préférées de l’ingénieur en apprentissage machine pour représenter les fonctions de code impliquées dans ML, ainsi que pour visualiser les opérations mathématiques utilisées dans les réseaux de neurones et d’autres configurations ML.
Voici six cours disponibles sur le portail d’apprentissage Coursera qui guident les étudiants vers une meilleure compréhension de l’environnement Tensorflow.
- Introduction à Tensorflow pour l'apprentissage automatique et l'apprentissage approfondi de l'intelligence artificielle (proposé par deeplearning.ai)
- Tensorflow in Practice Learning (Proposé par deeplearning.ai)
- Réseaux de neurones convolutionnels et flux de tenseurs (proposé par deeplearning.ai)
- Compréhension de l'image avec Tensorflow sur GCP (proposé par Google Cloud Platform)
- Apprentissage automatique sans serveur avec Tensorflow sur la plateforme Google Cloud (proposé par la plateforme Google Cloud)
- Traitement du langage naturel avec Tensorflow (proposé par deeplearning.ai)
Introduction à Tensorflow pour l'apprentissage automatique et l'apprentissage approfondi de l'intelligence artificielle (proposé par deeplearning.ai)
Ce cours aide les étudiants à comprendre comment construire des algorithmes évolutifs et comment fonctionne l'apprentissage en profondeur. Les réseaux de neurones sont l’un des axes de ce cours diversifié qui utilise une partie des connaissances du spécialiste Andrew Ng pour montrer aux étudiants les principes de Tensorflow à l’œuvre.
Il s’agit d’un cours de niveau intermédiaire 100% en ligne, qui dure environ huit heures, avec une durée suggérée de quatre semaines.
Les étudiants apprendront à former un réseau de neurones pour la vision par ordinateur, à apprendre les meilleures pratiques Tensorflow, à comprendre les réseaux de neurones à convolution et à créer un réseau de neurones de base avec Tensorflow.
Un guide complet sur ce type de visualisation et de traitement des composants d’apprentissage automatique.
Pas de bugs, pas de stress - Votre guide étape par étape pour créer un logiciel qui change la vie sans vous détruire
Vous ne pouvez pas améliorer vos compétences en programmation lorsque personne ne se soucie de la qualité des logiciels.
Tensorflow in Practice Learning (Proposé par deeplearning.ai)
Quatre modules aident les étudiants à explorer les applications d'intelligence artificielle (IA) et leur fabrication. La construction et la formation de réseaux de neurones font partie de ce programme et les étudiants apprendront à utiliser les révolutionnaires dans le traitement des images afin de faciliter l'identification et les capacités de classification de pointe.
Les étudiants peuvent découvrir comment les machines apprennent à traiter et comment les réseaux de neurones traitent les données d'entrée.
Des éléments pratiques du cours montreront comment ces types de technologies fonctionnent dans le monde réel. Ce cours en ligne dure environ un mois et est un cours de niveau intermédiaire.
Réseaux de neurones convolutionnels et flux de tenseurs (proposé par deeplearning.ai)
Ce cours porte spécifiquement sur le réseau de neurones à convolution, qui est un type spécifique de concept dans le monde de l’apprentissage automatique. Le CNN, comme on l’appelle, traite le traitement des images en utilisant diverses couches du réseau de neurones.
Des techniques telles que la foulée et le rembourrage sont utilisées pour filtrer et analyser les images, et les informations sont acheminées dans le système pour former par la suite l'ordinateur à l'identification d'objets ou d'autres aspects d'une image.
Les étudiants apprendront comment un ordinateur "voit" les informations et quelles opérations spécifiques conduisent à des tâches de traitement et d'identification des images efficaces.
Les étudiants découvriront divers problèmes, tels que la perte de parcelles de terrain, la suréquipement et l'abandon, à la recherche des meilleures pratiques pour créer et maintenir des capacités CNN en matière de reconnaissance faciale, de développement de produits, etc.
L'apprentissage par transfert fera également partie de ce programme et les étudiants en apprendront davantage sur l'extraction et la sélection des caractéristiques en tant que composante de la dimensionnalité réussie.
Ce cours de niveau intermédiaire est entièrement en ligne et dure environ sept heures, avec une durée de cours suggérée de quatre semaines.
Compréhension de l'image avec Tensorflow sur GCP (proposé par Google Cloud Platform)
Ce cours avancé d’apprentissage automatique a été spécialement conçu pour Google Cloud. Cet environnement de haut niveau a été apprécié par de nombreux développeurs qui ont conçu les meilleurs programmes ML.
Ce cours montrera aux étudiants différentes stratégies pour assembler des classificateurs d'images et les aidera à comprendre les constructions de réseaux de neurones de convolution. L'extraction et la sélection des fonctionnalités font également partie des sujets abordés dans ce cours, et les étudiants recevront une formation sur la prévention des surajustements et des problèmes connexes.
Les composants pratiques nécessitent des connaissances de base en SQL, Python et Tensorflow.
Ce cours est 100% en ligne à un niveau avancé et dure 11 heures, avec un investissement de temps suggéré de 5 à 7 heures par semaine.
Apprentissage automatique sans serveur avec Tensorflow sur la plateforme Google Cloud (proposé par la plateforme Google Cloud)
Ce cours utilise également l’idée de travailler avec Tensorflow sur la plate-forme Google Cloud, mais ajoute l’idée de l’informatique sans serveur pour envisager l’apprentissage automatique dans un type d’environnement différent.
En informatique sans serveur, les fonctions sont conçues pour une livraison en fonction des besoins. Ce cours traitera des cas d'utilisation de ce type d'installation et permettra aux étudiants de participer à la construction d'un modèle Tensorflow ML. L'accent est mis sur l'évolutivité et le déploiement, ainsi que sur la compréhension des fonctions de prétraitement et sur la création de modèles ML dans une capacité virtualisée efficace.
Ce cours de niveau intermédiaire est entièrement en ligne et dure 12 heures, avec un laps de temps suggéré d'une semaine.
Traitement du langage naturel avec Tensorflow (proposé par deeplearning.ai)
L'une des applications les plus populaires de Tensorflow et d'autres outils d'apprentissage automatique est la pratique du traitement du langage naturel (PNL).
Ce cours familiarisera les étudiants avec certaines des composantes de la PNL liées au marquage des unités de parole et à d'autres techniques aidant les réseaux de neurones à construire des modèles prédictifs structurels. La PNL a beaucoup profité du BC, et les étudiants peuvent en bénéficier de voir de leurs propres yeux le fonctionnement de ces techniques.
Grâce à une étude pratique, les étudiants aborderont des problèmes concrets tels que l’application de réseaux de neurones et de LSTM récurrents dans Tensorflow et la procédure de traitement utilisant la tokenisation et les vecteurs.
Ce cours est un cours 100% en ligne de niveau intermédiaire, d’une durée de neuf heures et d’une durée suggérée de quatre semaines.
Conclusion
Utilisez l’une de ces opportunités d’apprentissage innovantes pour mieux vous connecter aux détails de ML grâce à la compréhension non seulement de la terminologie, mais également de la construction de systèmes élaborés avec Tensorflow.