Dans ce cours, vous allez :
a) Apprendre le transfert de style neuronal en utilisant l'apprentissage par transfert : extraire le contenu d'une image (ex. cygne), et le style d'une peinture (ex. cubiste ou impressionniste), et combiner le contenu et le style dans une nouvelle image. b) Construire des autoencodeurs simples sur l'ensemble de données MNIST familier, et des architectures profondes et convolutives plus complexes sur l'ensemble de données Fashion MNIST, comprendre la différence entre les résultats des modèles d'autoencodeurs DNN et CNN, identifier les moyens de débruiter les images bruyantes, et construire un autoencodeur CNN en utilisant TensorFlow pour produire une image propre à partir d'une image bruyante. c) Explorer les autoencodeurs variationnels (VAE) pour générer des données entièrement nouvelles, et générer des visages d'anime pour les comparer à des images de référence. d) Apprenez à connaître les GANs ; leur invention, leurs propriétés, leur architecture, et comment ils varient des VAEs, comprenez la fonction du générateur et du discriminateur au sein du modèle, le concept des 2 phases d'entraînement et le rôle du bruit introduit, et construisez votre propre GAN qui peut générer des visages. La Specialization DeepLearning.AI TensorFlow : Advanced Techniques présente les fonctionnalités de TensorFlow qui offrent aux apprenants un plus grand contrôle sur l'architecture de leur modèle, et leur donne les outils pour créer et entraîner des modèles ML avancés. Cette Specialization s'adresse aux ingénieurs logiciels et machine learning en début et milieu de carrière ayant une compréhension fondamentale de TensorFlow et qui cherchent à étendre leurs connaissances et leurs compétences en apprenant les fonctionnalités avancées de TensorFlow pour construire des modèles puissants.
