Est-il possible de bénéficier d'une aide financière ?

Oui, pour certains programmes de formation, vous pouvez demander une aide financière ou une bourse si vous n'avez pas les moyens de payer les frais d'inscription. Si une aide financière ou une bourse est disponible pour votre programme de formation, vous trouverez un lien de demande sur la page de description.

Personnaliser vos modèles avec TensorFlow 2

Personnaliser vos modèles avec TensorFlow 2

Ce cours fait partie de Spécialisation "TensorFlow 2 pour l'apprentissage profond"

Instructeur : Dr Kevin Webster

14 698 déjà inscrits

Inclus avec

5 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

196 avis

niveau Intermédiaire

Expérience recommandée

Planning flexible

3 semaines à 10 heures une semaine

Apprenez à votre propre rythme

90%

La plupart des étudiants ont apprécié ce cours

5 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

196 avis

niveau Intermédiaire

Expérience recommandée

Planning flexible

3 semaines à 10 heures une semaine

Apprenez à votre propre rythme

90%

La plupart des étudiants ont apprécié ce cours

Compétences que vous acquerrez

Catégorie : Deep Learning
Catégorie : Transfer Learning
Catégorie : Natural Language Processing
Catégorie : Data Pipelines
Catégorie : Embeddings
Catégorie : Recurrent Neural Networks (RNNs)
Catégorie : Model Evaluation
Catégorie : Convolutional Neural Networks

Outils que vous découvrirez

Catégorie : Tensorflow
Catégorie : Keras (Neural Network Library)

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

3 affectations¹

Noté par l'IA voir l'avis de non-responsabilité

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

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

Il y a 5 modules dans ce cours

Bienvenue à ce cours sur la personnalisation de vos modèles avec TensorFlow 2 ! Dans ce cours, vous approfondirez vos connaissances et vos compétences avec TensorFlow, afin de développer des modèles d'apprentissage profond entièrement personnalisés et des flux de travail pour n'importe quelle application. Vous utiliserez les API de bas niveau de TensorFlow pour développer des architectures de modèles complexes, des couches entièrement personnalisées et un flux de données flexible. Vous élargirez également votre connaissance des API de TensorFlow pour inclure des modèles de séquence. Vous mettrez les concepts que vous apprenez en pratique immédiatement dans des tutoriels de codage pratiques et concrets, qui vous seront guidés par un assistant d'enseignement diplômé. En outre, une série de devoirs de programmation notés automatiquement vous permettra de consolider vos compétences. À la fin du cours, vous réunirez de nombreux concepts dans un projet Capstone, où vous développerez un modèle de traduction neuronale personnalisé à partir de zéro. TensorFlow est une bibliothèque de machine open source et l'un des cadres les plus largement utilisés pour l'apprentissage en profondeur. La sortie de TensorFlow 2 marque un changement dans le développement du produit, avec un accent particulier sur la facilité d'utilisation pour tous les utilisateurs, du niveau débutant au niveau avancé.

Ce cours fait directement suite au cours précédent Getting Started with TensorFlow 2. Les connaissances préalables supplémentaires requises pour réussir ce cours sont la maîtrise du langage de programmation python (ce cours utilise python 3), la connaissance des concepts généraux de l'apprentissage automatique (tels que l'overfitting/underfitting, les tâches d'apprentissage supervisé, la validation, la régularisation et la sélection de modèles), et une connaissance pratique du domaine de l'apprentissage profond, y compris les architectures de modèles typiques (MLP, CNN, RNN, ResNet), et des concepts tels que l'apprentissage par transfert, l'augmentation des données et les enchâssements de mots.

TensorFlow offre plusieurs niveaux d'API pour construire des modèles d'apprentissage profond, avec différents niveaux de contrôle et de flexibilité. Dans cette semaine, vous apprendrez à utiliser l'API fonctionnelle pour développer des architectures de modèles plus flexibles, y compris des modèles avec plusieurs entrées et sorties. Vous découvrirez également les tenseurs et les variables, ainsi que l'accès et l'utilisation des couches internes d'un modèle. Le travail de programmation de cette semaine mettra ces techniques en pratique avec une application d'apprentissage par transfert sur l'ensemble de données d'images de chiens et de chats.

Inclus

14 vidéos5 lectures1 devoir1 devoir de programmation1 sujet de discussion6 laboratoires non notés1 plugin

14 vidéos Total 81 minutes

Bienvenue à Personnaliser vos modèles avec TensorFlow 2 2 minutes
Entretien avec Laurence Moroney 5 minutes
L'API fonctionnelle Keras 6 minutes
Entrées et sorties multiples 6 minutes
[Tutoriel de codage] Entrées et sorties multiples 10 minutes
Variables 5 minutes
Tenseurs 6 minutes
[Tutoriel de codage] Variables et tenseurs 9 minutes
Accès aux variables des calques 4 minutes
Accès aux tenseurs de couches 5 minutes
[Tutoriel de codage] Accès aux couches du modèle 8 minutes
Congélation des couches 5 minutes
[Tutoriel de codage] Gel des calques 8 minutes
Synthèse et introduction à la mission de programmation 1 minute

5 lectures Total 50 minutes

À propos de l'Imperial College et de l'équipe 10 minutes
Comment réussir ce cours ? 10 minutes
Politique de notation 10 minutes
Lectures complémentaires et références utiles 10 minutes
Mise en place de l'appareil 10 minutes

1 devoir Total 10 minutes

[Contrôle des connaissances] Apprentissage par transfert 10 minutes

1 devoir de programmation Total 60 minutes

Apprentissage par transfert 60 minutes

1 sujet de discussion Total 10 minutes

Présentez-vous 10 minutes

6 laboratoires non notés Total 160 minutes

[Tutoriel de codage] Entrées et sorties multiples 20 minutes
[Tutoriel de codage] Variables et tenseurs 20 minutes
[Tutoriel de codage] Accès aux couches du modèle 20 minutes
[Lecture] Nœuds de couche 20 minutes
[Tutoriel de codage] Gel des calques 20 minutes
Apprentissage par transfert 60 minutes

1 plugin Total 15 minutes

Enquête préalable au cours 15 minutes

Un pipeline de données flexible et efficace est l'une des parties les plus essentielles du développement de modèles d'apprentissage profond. Au cours de cette semaine, vous apprendrez un flux de travail puissant pour charger, traiter, filtrer et même augmenter les données à la volée en utilisant des outils de Keras et le module tf.data. Dans le devoir de programmation de cette semaine, vous appliquerez les deux ensembles d'outils pour mettre en œuvre un pipeline de données pour les ensembles de données LSUN et CIFAR-100.

Inclus

12 vidéos1 lecture1 devoir1 devoir de programmation8 laboratoires non notés

12 vidéos Total 93 minutes

Bienvenue à la semaine 2 - Data Pipeline 2 minutes
Jeux de données Keras 3 minutes
[Tutoriel de codage] Jeux de données Keras 12 minutes
Générateurs de données 7 minutes
[Tutoriel de codage] Générateurs de jeux de données 12 minutes
Augmentation des données d'image Keras 6 minutes
[Tutoriel de codage] Augmentation des données d'image Keras 11 minutes
La classe Dataset 9 minutes
[Tutoriel de codage] La classe Dataset 11 minutes
Formation avec des ensembles de données 7 minutes
[Tutoriel de codage] Entraînement avec des ensembles de données 12 minutes
Synthèse et introduction à la mission de programmation 1 minute

1 lecture Total 10 minutes

Ensembles de données TensorFlow 10 minutes

1 devoir Total 15 minutes

[Contrôle de connaissances] Générateurs Python 15 minutes

1 devoir de programmation Total 60 minutes

Pipeline de données avec Keras et tf.data 60 minutes

8 laboratoires non notés Total 200 minutes

[Tutoriel de codage] Jeux de données Keras 20 minutes
[Tutoriel de codage] Générateurs de jeux de données 20 minutes
[Tutoriel de codage] Augmentation des données d'image Keras 20 minutes
[Lecture] Générateur de séries temporelles 20 minutes
[Tutoriel de codage] La classe Dataset 20 minutes
[Lecture] Création d'ensembles de données à partir de différentes sources 20 minutes
[Tutoriel de codage] Entraînement avec des ensembles de données 20 minutes
Pipeline de données avec Keras et tf.data 60 minutes

Les tâches de modélisation de séquences représentent une classe de problèmes riche et intéressante, allant des tâches de langage naturel telles que l'étiquetage de parties de discours et l'analyse de sentiment, à la prévision de séries temporelles financières et à la génération audio vocale. Au cours de cette semaine, vous apprendrez à utiliser l'API de réseau neuronal récurrent dans TensorFlow, ainsi que plusieurs types de couches et outils utiles pour le traitement des données de séquence. Dans l'exercice de programmation de cette semaine, vous développerez un modèle de langage génératif sur l'ensemble de données Shakespeare.

Inclus

13 vidéos1 devoir1 devoir de programmation7 laboratoires non notés

13 vidéos Total 92 minutes

Bienvenue à la semaine 3 - Modélisation des séquences 2 minutes
Entretien avec Doug Kelly 11 minutes
Prétraitement des données séquentielles 7 minutes
[Tutoriel de codage] Le jeu de données IMDB 9 minutes
[Tutoriel de codage] Remplissage et masquage des données séquentielles 7 minutes
La couche d'intégration 5 minutes
[Tutoriel de codage] La couche d'intégration 5 minutes
[Tutoriel de codage] Le projecteur d'intégration 13 minutes
Couches du réseau neuronal récurrent 5 minutes
[Tutoriel de codage] Couches de réseaux neuronaux récurrents 9 minutes
RNN empilés et enveloppe bidirectionnelle 8 minutes
[Tutoriel de codage] RNNs empilés et wrapper bidirectionnel 11 minutes
Synthèse et introduction à la mission de programmation 1 minute

1 devoir Total 15 minutes

[Contrôle des connaissances] Réseaux neuronaux récurrents 15 minutes

1 devoir de programmation Total 60 minutes

Modèle linguistique pour l'ensemble de données Shakespeare 60 minutes

7 laboratoires non notés Total 180 minutes

[Tutoriel de codage] Prétraitement des données de séquence 20 minutes
[Lecture] Tokenisation des données textuelles 20 minutes
[Tutoriel de codage] Embeddings 20 minutes
[Tutoriel de codage] Couches de réseaux neuronaux récurrents 20 minutes
[Tutoriel de codage] RNNs empilés et wrapper bidirectionnel 20 minutes
[Lecture] RNNs avec état 20 minutes
Modèle linguistique pour l'ensemble de données Shakespeare 60 minutes

Pour les cas d'utilisation plus avancés de TensorFlow, il est possible d'obtenir un faible niveau de contrôle sur la conception et le comportement de votre modèle d'apprentissage profond, ainsi que sur la boucle d'entraînement elle-même. Au cours de cette semaine, vous apprendrez à exploiter l'API de sous-classement des modèles et des couches pour développer des architectures de modèles entièrement flexibles, ainsi qu'à utiliser les outils de différenciation automatique de TensorFlow pour mettre en œuvre des boucles d'apprentissage personnalisées. Dans le devoir de programmation de cette semaine, vous mettrez en œuvre ces outils de construction de modèles personnalisés pour développer un réseau résiduel profond.

Inclus

12 vidéos1 devoir de programmation8 laboratoires non notés

12 vidéos Total 71 minutes

Bienvenue à la semaine 4 - Sous-classement des modèles et boucles d'entraînement personnalisées 2 minutes
Sous-classement des modèles 6 minutes
[Tutoriel de codage] Sous-classement de modèle 5 minutes
Couches personnalisées 7 minutes
[Tutoriel de codage] Couches personnalisées 10 minutes
Différenciation automatique 5 minutes
[Tutoriel de codage] Différenciation automatique 7 minutes
Boucles d'entraînement personnalisées 8 minutes
[Tutoriel de codage] Boucles d'entraînement personnalisées 11 minutes
décorateur tf.function 4 minutes
[Tutoriel de codage] décorateur tf.function 5 minutes
Synthèse et introduction à la mission de programmation 2 minutes

1 devoir de programmation Total 60 minutes

Réseau résiduel 60 minutes

8 laboratoires non notés Total 200 minutes

[Tutoriel de codage] Sous-classement de modèle 20 minutes
[Tutoriel de codage] Couches personnalisées 20 minutes
[Lecture] La méthode de construction 20 minutes
[Tutoriel de codage] Différenciation automatique 20 minutes
[Tutoriel de codage] Boucles d'entraînement personnalisées 20 minutes
[Lecture] Suivi des métriques dans les boucles de formation personnalisées 20 minutes
[Tutoriel de codage] décorateur tf.function 20 minutes
Réseau résiduel 60 minutes

Dans ce cours, vous avez appris un ensemble puissant d'outils pour développer des modèles d'apprentissage profond personnalisés, y compris pour les données de séquence, et des pipelines de données flexibles. Le projet Capstone rassemble plusieurs de ces concepts avec une tâche consistant à développer un modèle de traduction neuronale personnalisé de l'anglais vers l'allemand.

Inclus

2 vidéos1 évaluation par les pairs1 laboratoire non noté1 plugin

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

Évaluations de l’enseignant

(57 évaluations)

Dr Kevin Webster

Imperial College London

6 Cours 48 046 apprenants

Offert par

Imperial College London

En savoir plus sur Apprentissage automatique

Imperial College London
Getting started with TensorFlow 2
Cours
DeepLearning.AI
Custom Models, Layers, and Loss Functions with TensorFlow
Cours
DeepLearning.AI
Custom and Distributed Training with TensorFlow
Cours
Imperial College London
TensorFlow 2 for Deep Learning
Spécialisation

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

5 stars
87,24 %
4 stars
8,67 %
3 stars
1,02 %
2 stars
0 %
1 star
3,06 %

Affichage de 3 sur 196

Révisé le 31 déc. 2023

Take note Tensorflow is still 2.0.0, not updated to later versions for labs

Révisé le 6 avr. 2021

I recumbent this course.A lot of practice: notebooks, assessments, capstone project and just enough theory about TensorFlow

Révisé le 15 juil. 2021

Excellent course materials, videos, lab sessions and capstone project.

Voir plus d’avis

Ouvrez de nouvelles portes avec Coursera Plus

Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - 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

Découvrir les diplômes

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.

Pour accéder aux supports de cours, aux devoirs et pour obtenir un certificat, vous devez acheter l'expérience de certificat lorsque vous vous inscrivez à un cours. Vous pouvez essayer un essai gratuit ou demander une aide financière. Le cours peut proposer l'option "Cours complet, pas de certificat". 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 spécialisation et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page Réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn.

Plus de questions

Visitez le Centre d'Aide pour les Étudiants

Aide financière disponible,

¹ Certains travaux de ce cours sont notés par l'IA. Pour ces travaux, vos Données internes seront utilisées conformément à Notification de confidentialité de Coursera.