Les bases du machine learning avec TensorFlow

Public visé par ce programme :

- Débutants en ML, avec une expérience intermédiaire de la programmation

L'objectif de ce programme est d'accompagner les développeurs novices dans le domaine du ML au tout début de leur formation. Comme vous pourrez le constater, la plupart des ressources s'appuient sur TensorFlow. Ces connaissances sont néanmoins transposables aux autres frameworks de machine learning.

Étape 1 : Comprendre le concept du ML

TensorFlow 2.0 a été conçu pour faciliter la création des réseaux de neurones. C'est la raison pour laquelle il repose sur une API appelée Keras. Le livre Deep Learning with Python écrit par François Chollet, créateur de Keras, est idéal pour débuter. Lisez les chapitres 1 à 4 pour comprendre les bases du ML, selon le point de vue d'un programmeur. La seconde moitié du livre approfondit d'autres sujets, comme la vision par ordinateur, le traitement du langage naturel et le deep learning génératif. Ces thématiques assez pointues ne doivent pas vous effrayer à ce stade. Elles vous paraîtront bientôt moins floues.

AI and Machine Learning for Coders
de Laurence Moroney

Résolument pratique, ce livre d'introduction vous permet de découvrir comment mettre en œuvre les scénarios de ML les plus courants, tels que la vision par ordinateur, le traitement du langage naturel (NLP) et la modélisation de séquences pour les environnements d'exécution Web, mobiles, cloud et intégrés.

Deep Learning with Python
de François Chollet

Ce livre est une introduction pratique au deep learning avec Keras.

⬆ OU ⬇

Suivez un cours en ligne abordant lui aussi les bases évoquées dans le livre de François Chollet, par exemple Introduction to TensorFlow sur Coursera ou Intro to TensorFlow for Deep Learning sur Udacity. Ces vidéos de la chaîne 3blue1brown peuvent aussi vous intéresser. Elles décrivent rapidement le fonctionnement des réseaux de neurones d'un point de vue mathématique.

Cette étape vous permet de maîtriser les fondamentaux du ML avant d'aller plus loin.

Intro to TensorFlow for AI, ML, and Deep Learning

Développé en collaboration avec l'équipe TensorFlow, ce cours fait partie de la spécialisation TensorFlow Developer. Il vous fera découvrir les bonnes pratiques liées à TensorFlow.

Introduction à l'utilisation de TensorFlow pour le deep learning

Dans ce cours en ligne développé par l'équipe TensorFlow et Udacity, vous apprendrez à créer des applications de deep learning avec TensorFlow.

Étape 2 : Approfondir le sujet

Suivez la spécialisation TensorFlow Developer pour vous initier aux concepts de vision par ordinateur, de TLN et de modèle de séquence.

Lors de cette étape, vous poursuivrez votre découverte et apprendrez à utiliser TensorFlow pour créer des modèles de base adaptés à différents scénarios, dont la classification d'images, la compréhension des sentiments dans un texte, les algorithmes génératifs et plus encore.

Spécialisation TensorFlow Developer

Dans cette spécialisation en quatre cours dispensée par un développeur TensorFlow, partez à la découverte des outils et des logiciels utilisés pour créer des algorithmes évolutifs basés sur l'IA dans TensorFlow.

Étape 3 : S'exercer

Grâce à nos tutoriels TensorFlow Core , mettez en pratique les concepts acquis lors des étapes 1 et 2. Essayez ensuite des exercices plus avancés.

Cette étape vous permet d'approfondir les principaux concepts et scénarios que vous êtes susceptibles de rencontrer lors de la création de modèles de ML.

Étape 4 : Aller plus loin avec TensorFlow

Revenez au livre Deep Learning with Python de François Chollet et terminez les chapitres 5 à 9. Nous vous recommandons également de lire Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow , d'Aurélien Geron. Ce livre présente le ML et le deep learning dans TensorFlow 2.0.

Cette étape vient compléter vos connaissances de base sur le ML et explique comment étendre la plate-forme selon vos besoins.

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow
d'Aurélien Géron

À partir d'exemples concrets, de bases théoriques et de deux frameworks Python prêts pour la production, scikit-learn et TensorFlow, ce livre propose une approche intuitive des concepts et outils nécessaires pour créer des systèmes intelligents.