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.

Bienvenue à ce cours sur l'apprentissage profond probabiliste avec TensorFlow ! Ce cours s'appuie sur les concepts et les compétences fondamentaux de TensorFlow enseignés dans les deux premiers cours de cette spécialisation, et se concentre sur l'approche probabiliste de l'apprentissage profond. Il s'agit d'un domaine de plus en plus important de l'apprentissage profond qui vise à quantifier le bruit et l'incertitude qui sont souvent présents dans les ensembles de données du monde réel. Vous apprendrez à développer des modèles probabilistes avec TensorFlow, en utilisant en particulier la bibliothèque TensorFlow Probability, qui est conçue pour faciliter la combinaison de modèles probabilistes avec l'apprentissage profond. Vous apprendrez comment les distributions de probabilité peuvent être représentées et incorporées dans des modèles d'apprentissage profond dans TensorFlow, y compris les réseaux neuronaux bayésiens, les flux de normalisation et les autoencodeurs variationnels. Vous apprendrez à développer des modèles pour la quantification de l'incertitude, ainsi que des modèles génératifs qui peuvent créer de nouveaux échantillons similaires à ceux de l'ensemble de données, tels que des images de visages de célébrités. 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. À la fin du cours, vous rassemblerez de nombreux concepts dans un projet de synthèse, où vous développerez un algorithme d'autoencodeur variationnel pour produire un modèle génératif d'un ensemble de données d'images synthétiques que vous créerez vous-même.

Ce cours fait suite aux deux cours précédents de la spécialisation, Getting Started with TensorFlow 2 et Customising Your Models with TensorFlow 2. Les connaissances préalables supplémentaires requises pour réussir ce cours sont de solides bases en probabilités et en statistiques. En particulier, il est supposé que vous êtes familier avec les distributions de probabilité standard, les fonctions de densité de probabilité, et des concepts tels que l'estimation du maximum de vraisemblance, la formule de changement de variables pour les variables aléatoires, et la limite inférieure de preuve (ELBO) utilisée dans l'inférence variationnelle.