Dans ce cours, vous apprendrez un flux de travail complet de bout en bout pour développer des modèles d'apprentissage profond avec Tensorflow, de la construction, l'entraînement, l'évaluation et la prédiction avec des modèles en utilisant l'API séquentielle, la validation de vos modèles et l'inclusion de la régularisation, l'implémentation des callbacks, et la sauvegarde et le chargement des modèles.
Démarrer avec TensorFlow 2
Démarrer avec TensorFlow 2
Ce cours fait partie de Spécialisation TensorFlow 2 pour l'apprentissage profond
Enseigné en Anglais
Certains éléments de contenu peuvent ne pas être traduits
Instructeur : Dr Kevin Webster
36 546 déjà inscrits
Inclus avec 
Cours
Familiarisez-vous avec un sujet et apprenez les fondamentaux
4.9
(564 avis)
|
96%
niveau Intermédiaire
Certaines connaissances prérequises
26 heures (approximativement)
Planning flexible
Apprenez à votre propre rythme
Détails à connaître
Certificat partageable
Ajouter à votre profil LinkedIn
Évaluations
3 quizzes
Cours
Familiarisez-vous avec un sujet et apprenez les fondamentaux
4.9
(564 avis)
|
96%
niveau Intermédiaire
Certaines connaissances prérequises
26 heures (approximativement)
Planning flexible
Apprenez à votre propre rythme
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
Ce cours fait partie de la Spécialisation TensorFlow 2 pour l'apprentissage profond
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 5 modules dans ce cours
TensorFlow est l'une des bibliothèques les plus populaires pour l'apprentissage profond, et elle est largement utilisée aujourd'hui par les chercheurs et les professionnels à tous les niveaux. Dans cette semaine, vous commencerez à utiliser TensorFlow sur la plateforme Coursera et vous vous familiariserez avec la structure du cours. Vous découvrirez également des ressources utiles pour développer des modèles d'apprentissage profond dans TensorFlow, notamment Google Colab. Cette semaine est consacrée à la mise en place de tout ce qui est nécessaire pour plonger dans TensorFlow au cours de la semaine suivante.
Inclus
14 vidéos8 lectures1 sujet de discussion1 laboratoire non noté1 plugin
Il existe de multiples façons de construire et d'appliquer des modèles d'apprentissage profond dans TensorFlow, des API de haut niveau, rapides et faciles à utiliser, aux opérations de bas niveau. Au cours de cette semaine, vous apprendrez à utiliser l'API de haut niveau Keras pour construire, entraîner, évaluer et prédire rapidement des modèles d'apprentissage profond. Le travail de programmation de cette semaine vous donnera l'occasion de mettre tout cela en pratique et de développer un modèle de classification d'images à partir de zéro sur l'ensemble de données MNIST d'images manuscrites.
Inclus
13 vidéos2 quizzes1 devoir de programmation8 laboratoires non notés
La validation et la sélection des modèles est une partie essentielle du développement de tout modèle d'apprentissage automatique afin d'éviter le surajustement et d'améliorer la généralisation. Au cours de cette semaine, vous apprendrez à utiliser un ensemble de données de validation dans un cycle d'entraînement et à appliquer des techniques de régularisation à votre modèle. Vous apprendrez également à utiliser des rappels pour surveiller les performances et effectuer des actions en fonction de critères spécifiques. Dans le devoir de programmation de cette semaine, vous mettrez en pratique la validation et la régularisation du modèle sur l'ensemble de données Iris bien connu.
Inclus
11 vidéos1 quiz1 devoir de programmation8 laboratoires non notés
Dans le cadre du développement de vos modèles d'apprentissage profond, vous devrez être en mesure de sauvegarder et de charger des modèles TensorFlow, éventuellement en fonction de certains critères que vous souhaitez spécifier. Dans cette semaine, vous apprendrez comment utiliser les callbacks pour enregistrer les modèles, l'enregistrement et le chargement manuels, et les options disponibles lors de l'enregistrement des modèles, y compris l'enregistrement des poids uniquement. En outre, vous vous entraînerez à charger et à utiliser des modèles d'apprentissage profond pré-entraînés. Dans le devoir de programmation de cette semaine, vous écrirez des implémentations flexibles d'enregistrement et de chargement de modèles pour un modèle entraîné sur des images satellites.
Inclus
12 vidéos1 devoir de programmation8 laboratoires non notés
Dans ce cours, vous avez appris un flux de travail de bout en bout pour développer des modèles d'apprentissage profond dans Tensorflow. Le projet Capstone vous donne l'opportunité de rassembler toutes vos connaissances pour développer un classificateur d'apprentissage profond sur un ensemble de données d'images étiquetées de numéros de maison street view.
Inclus
2 vidéos1 évaluation par les pairs1 laboratoire non noté1 plugin
Instructeur
Évaluations de l’enseignant
4.9 (178 évaluations)Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
Imperial College London
Imperial College London
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’
Avis des étudiants
Affichage de 3 sur 564
4.9
564 avis
- 5 stars
90,95 %
- 4 stars
7,44 %
- 3 stars
0,53 %
- 2 stars
0,17 %
- 1 star
0,88 %
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
Les Jupyter Notebooks sont unoutil tiers que certains cours Coursera utilisent pour les devoirs de programmation.
Vous pouvez revenir sur votre code ou obtenir une nouvelle copie de votre carnet Jupyter à mi-parcours. Par défaut, Coursera stocke de manière persistante votre travail au sein de chaque carnet.
Pour conserver votre ancien travail et obtenir une nouvelle copie du bloc-notes Jupyter initial, cliquez surFichier, puis surFaire une copie.
Nous vous recommandons de respecter une convention de dénomination telle que " Devoir 1 - Initial " ou " Copie " pour que l'environnement de votre carnet de notes reste organisé. Vous pouvez également télécharger ce fichier localement.
Actualisez votre carnet de notes
Renommez votre bloc-notes Jupyter existant dans la vue du bloc-notes individuel
Dans la vue du bloc-notes, ajoutez "?forceRefresh=true" à la fin de l'URL de votre bloc-notes
Recharger l'écran
Vous serez redirigé vers votre espace de travail personnel où vous verrez les anciens et les nouveaux fichiers Notebook.
L'élément de leçon de votre bloc-notes sera maintenant lancé dans le nouveau bloc-notes.
Trouver le travail manquant
Si vos fichiers Jupyter Notebook ont disparu, cela signifie que le personnel du cours a publié une nouvelle version d'un notebook donné afin de corriger des problèmes ou d'apporter des améliorations. Votre travail est toujours enregistré sous le nom original de la version précédente du notebook.
Pour récupérer votre travail :
Trouvez la version actuelle de votre carnet de notes en vérifiant le titre en haut de la fenêtre du carnet de notes
Dans la vue de votre carnet de notes, cliquez sur le logo Coursera
Recherchez et cliquez sur le nom de votre fichier précédent
Travail non sauvegardé
les "Kernels" sont les moteurs d'exécution derrière l'interface Jupyter Notebook. Comme les noyaux s'arrêtent au bout de 90 minutes d'activité du bloc-notes, veillez à sauvegarder fréquemment vos blocs-notes pour ne pas perdre de travail. Si le noyau s'arrête avant la sauvegarde, vous risquez de perdre le travail de votre session en cours.
Comment savoir si votre noyau s'est arrêté :
Des messages d'erreur tels que "Méthode non autorisée" apparaissent dans la barre d'outils.
L'heure de la dernière sauvegarde ou du dernier point de contrôle automatique indiquée dans le titre de la fenêtre du bloc-notes n'a pas été mise à jour récemment
Vos cellules ne fonctionnent pas ou ne calculent pas lorsque vous appuyez sur les touches "Shift + Enter"
Pour redémarrer votre noyau :
Sauvegardez votre carnet de notes localement pour enregistrer votre progression actuelle
Dans la barre d'outils du bloc-notes, cliquez surNoyau, puis surRedémarrer
Essayez de tester votre noyau en exécutant une instruction d'impression dans l'une des cellules de votre bloc-notes. Si l'opération réussit, vous pouvez continuer à enregistrer et à poursuivre votre travail.
Si le noyau de votre ordinateur portable est toujours en panne, essayez de fermer votre navigateur et de relancer l'ordinateur portable. Lorsque le bloc-notes s'ouvrira à nouveau, vous devrez faire "Cell -> Run All" ou "Cell -> Run All Above" pour régénérer l'état d'exécution.
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.