このコースについて

共有できる証明書
修了時に証明書を取得
100%オンライン
自分のスケジュールですぐに学習を始めてください。
柔軟性のある期限
スケジュールに従って期限をリセットします。
中級レベル
約14時間で修了
フランス語
字幕:フランス語, ポルトガル語(ブラジル), ドイツ語, ロシア語, 英語, スペイン語, 日本語...
共有できる証明書
修了時に証明書を取得
100%オンライン
自分のスケジュールですぐに学習を始めてください。
柔軟性のある期限
スケジュールに従って期限をリセットします。
中級レベル
約14時間で修了
フランス語
字幕:フランス語, ポルトガル語(ブラジル), ドイツ語, ロシア語, 英語, スペイン語, 日本語...

提供:

Placeholder

Google Cloud

シラバス - 本コースの学習内容

1

1

1分で修了

Introduction

1分で修了
1件のビデオ (合計1分)
3時間で修了

Des données brutes aux caractéristiques

3時間で修了
14件のビデオ (合計52分)
14件のビデオ
Caractéristiques bonnes et mauvaises2 分
Questionnaire : Les caractéristiques sont liées à l'objectif3 分
Caractéristiques connues au moment de la prédiction3 分
Questionnaire : Les caractéristiques sont connaissables au moment de la prédiction4 分
Les caractéristiques doivent être numériques27
Questionnaire : Les caractéristiques doivent être numériques5 分
Les caractéristiques doivent contenir suffisamment d'exemples1 分
Questionnaire : Les caractéristiques doivent contenir suffisamment d'exemples (p1)2 分
Questionnaire : Les caractéristiques doivent contenir suffisamment d'exemples (p2)2 分
Introduire la perception humaine27
Représenter les caractéristiques8 分
ML et statistiques3 分
Solution de l'atelier : Améliorer la précision d'un modèle avec de nouvelles caractéristiques12 分
2の練習問題
Des données brutes aux caractéristiques30 分
Représentation des caractéristiques30 分
5時間で修了

Prétraitement et création des caractéristiques

5時間で修了
10件のビデオ (合計52分)
10件のビデオ
Beam et Dataflow9 分
Présentation de l'atelier : Pipeline Dataflow Simple19
Solution de l'atelier : Pipeline Dataflow simple6 分
Pipelines de données évolutifs5 分
Présentation de l'atelier : MapReduce dans Dataflow33
Solution de l'atelier : MapReduce dans Dataflow3 分
Prétraitement avec Cloud Dataprep6 分
Présentation de l'atelier : Calculer des caractéristiques sur une période dans Cloud Dataprep10 分
Solution de l'atelier : Calculer des caractéristiques sur une période dans Cloud Dataprep36
3の練習問題
Prétraitement et création des caractéristiques30 分
Apache Beam et Cloud Dataflow30 分
Représentation des caractéristiques30 分
3時間で修了

Croisement de caractéristiques

3時間で修了
18件のビデオ (合計90分)
18件のビデオ
Qu'est-ce qu'un croisement de caractéristiques ?5 分
Discrétisation1 分
Mémorisation et généralisation4 分
Couleurs de taxis4 分
Présentation de l'atelier : Croiser les caractéristiques pour créer un bon outil de classification26
Solution de l'atelier : Croiser les caractéristiques pour créer un bon outil de classification6 分
Parcimonie + Questionnaire5 分
Présentation de l'atelier : Privilégier la modération31
Solution de l'atelier : Privilégier la modération7 分
Mettre en œuvre des croisements de caractéristiques5 分
Intégrer des croisements de caractéristiques9 分
Cas d'utilisation de l'extraction de caractéristiques6 分
Créer des caractéristiques dans TensorFlow2 分
Créer des caractéristiques dans DataFlow2 分
Présentation de l'atelier : Améliorer un modèle de ML avec l'extraction de caractéristiques42
Solution de l'atelier (p1) : Bilan d'équité du ML3 分
Solution de l'atelier (p2) : Améliorer un modèle de ML avec l'extraction de caractéristiques20 分
1の練習問題
Croisement de caractéristiques30 分
2時間で修了

TF Transform

2時間で修了
7件のビデオ (合計42分)
7件のビデオ
TensorFlow Transform8 分
Phase d'analyse3 分
Phase de transformation4 分
Système de diffusion compatible3 分
Présentation de l'atelier : Explorer tf.transform1 分
Solution de l'atelier : Explorer tf.transform19 分
1の練習問題
tf.transform30 分
3分で修了

Résumé

3分で修了
1件のビデオ (合計3分)
1件のビデオ

Machine Learning with TensorFlow on Google Cloud Platform en Français専門講座について

Qu'est-ce que le machine learning et quels types de problèmes permet-il de résoudre ? Quelles sont les cinq phases permettant de traiter un cas d'utilisation à l'aide du machine learning, et pourquoi chaque étape est-elle essentielle ? Pourquoi les réseaux de neurones sont-ils désormais si courants ? Comment définir un problème d'apprentissage supervisé et trouver une solution adaptée et généralisable à l'aide de la descente de gradient et d'une méthode pertinente de création d'ensembles de données ? Apprenez à créer des modèles de machine learning distribués qui pourront évoluer dans TensorFlow, à adapter l'entraînement de ces modèles pour bénéficier d'une évolutivité horizontale et à obtenir des prédictions très performantes. Convertissez les données brutes en caractéristiques de sorte que les processus de ML soient en mesure d'identifier les propriétés importantes dans les données et générez des insights qui ont du sens en rapport avec la problématique. Enfin, découvrez comment intégrer à la fois la combinaison de paramètres permettant d'obtenir des modèles précis et généralisés, et une connaissance de la théorie indispensable pour résoudre des types spécifiques de problèmes de ML. Vous expérimenterez le ML de bout en bout en commençant par créer une stratégie centrée sur le ML, puis en progressant dans le processus d'entraînement, d'optimisation et de production de modèles grâce à des ateliers pratiques faisant appel à Google Cloud Platform. >>> En vous inscrivant à cette spécialisation vous acceptez les conditions d'utilisation de Qwiklabs décrites dans la FAQ et disponibles à l'adresse: https://qwiklabs.com/terms_of_service <<<...
Machine Learning with TensorFlow on Google Cloud Platform en Français

よくある質問

さらに質問がある場合は、受講者向けヘルプセンターにアクセスしてください。