Description
Bienvenue dans “Art and Science of Machine Learning”. Ce cours se compose de 6 modules. Dans ce cours, nous allons voir les compétences essentielles que sont l’intuition, le bon sens et l’expérimentation, nécessaires pour ajuster vos modèles de ML et optimiser leurs performances. Nous verrons comment généraliser votre modèle à l’aide de techniques de régularisation, et nous évoquerons les effets des hyperparamètres tels que la taille de lot et le taux d’apprentissage sur les performances de votre modèle. Nous présenterons également certains des algorithmes d’optimisation les plus courants et vous montrerons comment spécifier une méthode d’optimisation dans votre code TensorFlow.
What you will learn
Présentation
Bienvenue dans “Art and Science of Machine Learning”. Dans ce cours, nous allons voir les compétences essentielles que sont l’intuition, le bon sens et l’expérimentation, nécessaires pour ajuster vos modèles de ML et optimiser leurs performances. Nous verrons comment généraliser votre modèle à l’aide de techniques de régularisation, et nous évoquerons les effets des hyperparamètres tels que la taille de lot et le taux d’apprentissage sur les performances de votre modèle. Nous présenterons également certains des algorithmes d’optimisation les plus courants et vous montrerons comment spécifier une méthode d’optimisation dans votre code TensorFlow.
L’art du ML
Dans ce module, vous allez apprendre à régler la taille de lot et le taux d’apprentissage pour améliorer les performances du modèle, à optimiser votre modèle et à appliquer les concepts au code TensorFlow.
Réglages des hyperparamètres
Dans ce module, vous allez apprendre à faire la différence entre les paramètres et les hyperparamètres. Ensuite, nous aborderons l’approche traditionnelle de recherche de réseaux et verrons comment aller plus loin grâce à des algorithmes plus intelligents. Enfin, vous découvrirez à quel point Cloud ML Engine facilite l’automatisation des réglages des hyperparamètres.
Un soupçon de science
Dans ce module, nous allons évoquer la science qui accompagne l’art du machine learning. Nous allons d’abord découvrir comment effectuer la régularisation à des fins de parcimonie pour parvenir à des modèles plus simples et plus concis. Ensuite, nous verrons ce qu’est la régression logistique et comment déterminer les performances.
