Formation Ecrire des modèles de Machine Learning distribués à grande échelle

Dans ce cours, vous apprendrez à écrire des modèles d’apprentissage automatique distribués qui évoluent dans Tensorflow 2.x, à effectuer l’ingénierie des features avec BQML et Keras, à évaluer les courbes de perte et à effectuer le réglage d’hyperparamètres, et à former des modèles à grande échelle avec Cloud AI Platform.

A l’issu de cette formation vous saurez répondre aux questions théoriques et pratiques liées au Machine Learning sur Google Cloud, incluant:

• Qu’est-ce que l’apprentissage automatique et quels types de problèmes peut-il résoudre ?
• Pourquoi les réseaux de neurones sont-ils si populaires en ce moment ?
• Comment pouvez-vous améliorer la qualité des données et effectuer une analyse exploratoire des données ?
• Comment mettre en place un problème d’apprentissage supervisé et trouver une bonne solution généralisable en utilisant la descente de gradient ?

Comment Google fait du Machine Learning

• Quelles sont les bonnes pratiques pour mettre en œuvre le machine learning sur Google Cloud ? 
• Qu’est-ce que Vertex AI et comment pouvez-vous utiliser la plate-forme pour créer, entraîner et déployer rapidement des modèles de machine learning AutoML sans écrire une seule ligne de code ?
• Qu’est-ce que le Machine Learning et quels types de problèmes peut-il résoudre ?
• Décrire Vertex AI Platform et son utilisation pour créer, entraîner et déployer rapidement des modèles de Machine Learning AutoML sans écrire une seule ligne de code.
• Décrire les bonnes pratiques pour mettre en œuvre le machine learning sur Google Cloud.
• Développer une stratégie de données autour du Machine Learning.
• Examiner les cas d’utilisation qui sont ensuite repensés à travers une lentille ML.
• Tirer parti des outils et de l’environnement Google Cloud Platform pour faire du ML.
• Tirer parti de l’expérience de Google pour éviter les pièges courants.
• Effectuer des tâches de science des données dans des notebooks collaboratifs en ligne.

Se lancer dans le Machine Learning

• Le cours commence par une discussion sur les données : comment améliorer la qualité des données et effectuer une analyse exploratoire des données.
• Nous décrivons Vertex AI AutoML et comment créer, former et déployer un modèle ML sans écrire une seule ligne de code. Vous comprendrez les avantages de BigQuery ML. 
• Nous discutons ensuite de la manière d’optimiser un modèle de Machine Learning (ML) et de la manière dont la généralisation et l’échantillonnage peuvent aider à évaluer la qualité des modèles ML pour un entraînement personnalisé.
• Décrire Vertex AI AutoML et comment créer, entraîner et déployer un modèle ML sans écrire une seule ligne de code.
• Décrire BigQuery ML et ses avantages.
• Décrire comment améliorer la qualité des données.
• Effectuer une analyse exploratoire des données.
• Construire et entraîner des modèles d’apprentissage supervisé.
• Optimiser et évaluer les modèles à l’aide de fonctions de perte et de mesures de performance.
• Atténuer les problèmes courants qui surviennent dans le Machine Learning.
• Créer des ensembles de données de formation, d’évaluation et de test reproductibles et évolutifs

TensorFlow dans Google Cloud

• la conception et la création d’un pipeline de données d’entrée TensorFlow
• la création de modèles ML avec TensorFlow et Keras
• l’amélioration de la précision des modèles ML, l’écriture de modèles ML pour une utilisation à l’échelle et l’écriture de modèles ML spécialisés.
• Créer des modèles de Machine Learning TensorFlow et Keras.
• Décrire les composants clés de TensorFlow.
• Utiliser la bibliothèque tf.data pour manipuler des données et de grands ensembles de données.
• Créer un modèle ML à l’aide des couches de prétraitement tf.keras.
• Utiliser les API séquentielles et fonctionnelles Keras pour la création de modèles simples et avancés.
• Comprendre comment le sous-classement de modèles peut être utilisé pour des modèles plus personnalisés.
• Utiliser les utilitaires tf.keras.preprocessing pour travailler avec des données d’image, des données de texte et des données de séquence.
• Entraîner, déployer et produire des modèles de ML à grande échelle avec Cloud AI Platform

Feature Engineering

• Décrire le feature store de Vertex AI.
• Comparer les principaux aspects requis d’une bonne feature.
• Combiner et créer de nouvelles combinaisons de fonctionnalités grâce à des feature crosses.
• Effectuer le feature engineering à l’aide de BigQuery ML, Keras et TensorFlow.
• Comprendre comment prétraiter et explorer les features avec Dataflow et Dataprep by Trifacta.
• Comprendre et appliquer comment TensorFlow transforme les features.

Machine Learning en Entreprise

• Comprendre les outils requis pour la gestion et la gouvernance des données.
• Décrire la meilleure approche pour le prétraitement des données : de la présentation de Dataflow et de Dataprep à l’utilisation de SQL pour les tâches de prétraitement.
• Expliquer en quoi AutoML, BigQuery ML et l’entraînement personnalisé diffèrent et quand utiliser un framework particulier.
• Décrire le réglage des hyperparamètres à l’aide de Vertex Vizier et comment il peut être utilisé pour améliorer les performances du modèle.
• Expliquer la prédiction et la surveillance des modèles et comment Vertex AI peut être utilisé pour gérer les modèles ML.
• Décrire les avantages de Vertex AI Pipelines.

Les concepts suivants ne sont pas couverts dans ce cours:

• Concepts et fondamentaux du cloud
• Mise en réseau
• Sécurité