Répondez au questions théoriques et pratiques liées au Machine Learning sur Google Cloud :

• Qu’est-ce que l’apprentissage automatique et quels types de problèmes peut-il résoudre ?
• Pourquoi les réseaux de neurones sont-ils si populaires en ce moment ?
• Comment pouvez-vous améliorer la qualité des données et effectuer une analyse exploratoire des données ?
• Comment mettre en place un problème d’apprentissage supervisé et trouver une bonne solution généralisable en utilisant la descente de gradient ?

Au cours de cette formation, vous apprendrez à écrire des modèles d’apprentissage automatique distribués qui évoluent dans Tensorflow 2.x, à effectuer l’ingénierie des features avec BQML et Keras, à évaluer les courbes de perte et à effectuer le réglage d’hyperparamètres, et à former des modèles à grande échelle avec Cloud AI Platform.

Public 

• Ingénieurs des données qui cherchent à passer rapidement du prototype d'apprentissage automatique à la production pour avoir un impact commercial.
• Ingénieurs logiciels cherchant à développer des compétences en ingénierie d'apprentissage automatique.
• Ingénieurs ML qui souhaitent adopter Google Cloud.

Objectifs de la formation

A l'issue de la formation, les participants seront capables de :

• Présenter un cas d’utilisation commercial comme un problème d’apprentissage automatique.
• Décrire comment améliorer la qualité des données.
• Effectuer une analyse exploratoire des données.
• Construire et former des modèles d’apprentissage supervisé.
• Optimiser et évaluer les modèles à l’aide des fonctions de perte et des mesures de performance.
• Créer des ensembles de données de formation, d’évaluation et de test répétables et évolutifs.
• Implémenter des modèles d’apprentissage automatique à l’aide de Keras et de TensorFlow 2.x.
• Comprendre l’impact des paramètres de descente de gradient sur la précision, la vitesse d’entraînement, la rareté et la généralisation.
• Représenter et transformer des entités.
• Entraîner des modèles à grande échelle avec AI Platform.

Pré-requis

• Etre familiarisé avec les concepts de base de l’apprentissage automatique.
• Maîtrise de base d’un langage de script - Python de préférence.

Programme détaillé

Module 1 : Comment Google effectue le machine learning

• Développer une stratégie de données autour du machine learning.
• Examiner les cas d’utilisation qui sont ensuite réinventés à travers une approche ML.
• Reconnaissez les biais que le ML peut amplifier.
• Tirer parti des outils et de l’environnement de Google Cloud Platform pour faire du ML.
• Apprener de l’expérience de Google pour éviter les pièges courants.
• Effectuer des tâches de science des données dans des blocs-notes collaboratifs en ligne.
• Appeler des modèles de ML pré-entraînés à partir de Cloud AI Platform.

Module 2 : Se lancer dans le Machine Learning

• Décriver comment améliorer la qualité des données.
• Effectuer une analyse exploratoire des données.
• Construire et former des modèles d’apprentissage supervisé.
• Optimiser et évaluez les modèles à l’aide des fonctions de perte et des mesures de performance.
• Atténuer les problèmes courants qui surviennent dans l’apprentissage automatique.
• Créer des ensembles de données de formation, d’évaluation et de test répétables et évolutifs.

Module 3 : Introduction à TensorFlow 2.x

• Créer des modèles d’apprentissage automatique TensorFlow 2.x et Keras.
• Décriver les composants clés de Tensorflow 2.x.
• Utiliser la bibliothèque tf.data pour manipuler des données et de grands ensembles de données.
• Utiliser les API séquentielles et fonctionnelles Keras pour créer des modèles simples et avancés.
• Former, déployer et produire des modèles de ML à grande échelle avec Cloud AI Platform.

Module 4 : Ingénierie des features

• Comparer les principaux aspects requis d’une bonne feature.
• Combiner et créez de nouvelles combinaisons de features grâce à des croisements de features.
• Effectuer l’ingénierie des features à l’aide de BQML, Keras et TensorFlow 2.x.
• Découvrer comment prétraiter et explorer les features avec Cloud Dataflow et Cloud Dataprep.
• Comprener et appliquez comment TensorFlow transforme les features.

Module 5 : Art et science de l’apprentissage automatique

• Optimiser les performances du modèle avec le réglage des hyperparamètres.
• Expérimenter avec les réseaux de neurones et affinez les performances.
• Améliorer les fonctionnalités du modèle ML avec des couches incorporées.