1

Comment Google effectue le machine learning

• Développer une stratégie de données autour du machine learning (ML).
• Examiner les cas d’utilisation qui sont ensuite réinventés à travers une approche de machine learning (ML).
• Reconnaître les biais que le machine learning (ML) peut amplifier.
• Tirer parti des outils et de l'environnement de Google Cloud Platform pour faire du ML.
• Apprendre de l'expérience de Google pour éviter les pièges courants.
• Effectuer des tâches de science des données dans des blocs-notes collaboratifs en ligne.
• Appeler des modèles de ML pré-entraînés à partir de Cloud AI Platform.

2

Se lancer dans le machine learning

• Décrire comment améliorer la qualité des données.
• Effectuer une analyse exploratoire des données.
• Construire et former des modèles d'apprentissage supervisé.
• Optimiser et évaluer les modèles à l’aide des fonctions de perte et des mesures de performance.
• Atténuer les problèmes courants qui surviennent dans le ML.
• Créer des ensembles de données de formation, d'évaluations et de tests répétables et évolutifs.

3

Introduction à TensorFlow 2.x

• Créer des modèles d’apprentissage automatique TensorFlow 2.x et Keras.
• Décrire les composants clés de Tensorflow 2.x.
• Utiliser la bibliothèque tf.data pour manipuler des données et de grands ensembles de données.
• Utiliser les API séquentielles et fonctionnelles Keras pour créer des modèles simples et avancées.
• Former, déployer et produire des modèles de machine learning (ML) à grande échelle avec Cloud AI Platform.

4

Ingénierie des features

• Comparer les principaux aspects requis d'une bonne feature.
• Combiner et créer de nouvelles combinaisons de features grâce à des croisements de features.
• Effectuer l'ingénierie des features à l'aide de BigQuery Machine Learning (BQML), Keras et Tensorflow 2.x.
• Découvrir comment prétraiter et explorer les features avec Cloud Dataflow et Cloud Dataprep.
• Comprendre et appliquer comment TensorFlow transforme les features.

5

Art et science du machine learning

• Optimiser les performances du modèle avec le réglage des hyperparamètres.
• Expérimenter avec les réseaux de neurones et affiner les performances.
• Améliorer les fonctionnalités du modèle ML avec des couches incorporées.