Art and Science of Machine Learning en Français

Por: Coursera . en: , ,

  • Présentation
    • Bienvenue dans "Art and Science of Machine Learning". Dans ce cours, nous allons voir les compétences essentielles que sont l'intuition, le bon sens et l'expérimentation, nécessaires pour ajuster vos modèles de ML et optimiser leurs performances. Nous verrons comment généraliser votre modèle à l'aide de techniques de régularisation, et nous évoquerons les effets des hyperparamètres tels que la taille de lot et le taux d'apprentissage sur les performances de votre modèle. Nous présenterons également certains des algorithmes d'optimisation les plus courants et vous montrerons comment spécifier une méthode d'optimisation dans votre code TensorFlow.
  • L'art du ML
    • Dans ce module, vous allez apprendre à régler la taille de lot et le taux d'apprentissage pour améliorer les performances du modèle, à optimiser votre modèle et à appliquer les concepts au code TensorFlow.
  • Réglages des hyperparamètres
    • Dans ce module, vous allez apprendre à faire la différence entre les paramètres et les hyperparamètres. Ensuite, nous aborderons l'approche traditionnelle de recherche de réseaux et verrons comment aller plus loin grâce à des algorithmes plus intelligents. Enfin, vous découvrirez à quel point Cloud ML Engine facilite l'automatisation des réglages des hyperparamètres.
  • Un soupçon de science
    • Dans ce module, nous allons évoquer la science qui accompagne l'art du machine learning. Nous allons d'abord découvrir comment effectuer la régularisation à des fins de parcimonie pour parvenir à des modèles plus simples et plus concis. Ensuite, nous verrons ce qu'est la régression logistique et comment déterminer les performances.
  • La science des réseaux de neurones
    • Dans ce module, nous allons approfondir l'aspect scientifique du ML, en particulier les réseaux de neurones.
  • Représentations vectorielles continues
    • Dans ce module, vous apprendrez à utiliser les représentations vectorielles continues pour gérer des données creuses, afin que les modèles de machine learning utilisant des données creuses consomment moins de mémoire et s'entraînent plus rapidement. Les représentations vectorielles continues permettent également d'effectuer une réduction de la dimensionnalité, et ainsi de rendre les modèles plus simples et plus généralisables.
  • Résumé

Plataforma