Machine Learning avancé avec TensorFlow sur Google Cloud Platform (MLTF)

Définition du machine learning et types de problèmes adressables
Approche “logique + données” et intérêt pour la conception de pipelines ML
Les étapes pour transformer un cas d’usage en projet ML et pourquoi les respecter
Identification des biais pouvant être amplifiés par le ML
Stratégie de données orientée ML
Réinterprétation de cas d’usage “avec un prisme ML”
Utilisation des outils et de l’environnement Google Cloud pour le ML
Bonnes pratiques issues de l’expérience Google et pièges courants
Réalisation de tâches de data science dans des notebooks collaboratifs en ligne
Appel de modèles pré-entraînés depuis Cloud Datalab

Repères historiques et raisons de l’efficacité actuelle des réseaux de neurones
Mise en place d’un problème supervisé
Recherche d’une solution par descente de gradient
Construction de datasets permettant la généralisation et supportant l’expérimentation
Raisons de la popularité du deep learning
Fonctions de perte et métriques pour optimiser et évaluer les modèles
Prévention des difficultés classiques rencontrées en ML
Création de jeux d’entraînement/évaluation/test reproductibles et scalables

Prise en main de TensorFlow bas niveau : concepts et APIs essentielles
Écriture de modèles distribués avec TensorFlow
Passage à l’échelle de l’entraînement et prédictions à haute performance
Entraînement et déploiement sur Cloud Machine Learning Engine
Création de modèles ML avec TensorFlow
Usage des bibliothèques TensorFlow pour des calculs numériques
Diagnostic et correction des erreurs fréquentes dans le code TensorFlow
Utilisation de tf_estimator pour créer, entraîner et évaluer un modèle
Entraîner, déployer et industrialiser des modèles à grande échelle avec Cloud ML Engine

Transformation des données brutes en représentations exploitables par le modèle
Représentation des features et implémentation dans TensorFlow
Transformations personnalisées pour intégrer l’expertise métier
Mise en œuvre de transformations courantes à grande échelle
Conversion des données en vecteurs de caractéristiques
Prétraitement et création de pipelines de features avec Cloud Dataflow
Création de feature crosses et mesure de leur impact
Écriture de code TensorFlow Transform pour le feature engineering

Équilibre entre réglages empiriques et fondements théoriques
Régularisation, gestion de la parcimonie (sparsity) et généralisation
Réseaux de neurones multi-classes
Embeddings réutilisables et composants essentiels de modèles
Optimisation via la recherche d’hyperparamètres
Expérimentation et ajustement fin des performances de réseaux de neurones
Amélioration des features avec des couches d’embedding
Création de code de modèle réutilisable avec un Custom Estimator