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.

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.

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.

Dans ce module, nous allons approfondir l'aspect scientifique du ML, en particulier les réseaux de neurones.

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.