Passez des bases de TensorFlow 2 à des modèles neuronaux fonctionnels dans neuf notebooks Jupyter. Vous commencerez par les tenseurs, l’exécution eager et la différentiation automatique, puis implémenterez régression et classification avant d’aborder réseaux convolutifs, transfert d’apprentissage et persistance des modèles.
Le cours compare volontairement plusieurs niveaux de l’API. Vous écrirez des calculs bas niveau avec variables et GradientTape, construirez des modèles tf.keras Sequential et Functional, sous-classerez des modèles et compléterez des implémentations sur des données réelles et synthétiques.
Ce que vous apprendrez
- Créer et manipuler des tenseurs et variables TensorFlow en exécution eager
- Calculer des dérivées et suivre les gradients avec
tf.GradientTape - Implémenter une régression linéaire avec opérations bas niveau, couches et modèles Keras
- Ajuster une régression polynomiale en complétant une implémentation bas niveau
- Construire des classifieurs peu profonds avec code personnalisé, Sequential, Functional et sous-classes
- Préparer et classer des chiffres manuscrits et des données de sécurité automobile
- Construire des réseaux VGG et LeNet-5 pour Fashion-MNIST et adapter une base VGG16 préentraînée
- Sauvegarder et restaurer poids, modèles complets et checkpoints bas niveau
À qui s’adresse ce cours
Ce cours s’adresse aux personnes connaissant Python et le machine learning introductif qui veulent parcourir TensorFlow 2 par le code, des tenseurs aux réseaux convolutifs. Les notebooks, bien que débutants, avancent vite et supposent compris tableaux, régression, classification et rôle élémentaire des couches. Le déploiement et le service en production ne sont pas traités.
Prérequis : Python, opérations de type NumPy et notions de dérivées, régression, classification et réseaux neuronaux sont recommandés. La pratique de Jupyter Notebook est utile.
Environnement d’apprentissage : Les neuf activités utilisent un environnement Jupyter Ubuntu 22.04 fourni. Les notebooks contiennent explications, exemples exécutables, chargement de données et sections à compléter.
Questions fréquentes
Est-ce seulement une introduction à la syntaxe TensorFlow ?
Non. Le cours part de la syntaxe et de la différentiation automatique, puis couvre régression, classification, modèles VGG et LeNet-5, transfert et sauvegarde.
Quels jeux de données sont utilisés ?
Il utilise des données de régression générées, les chiffres scikit-learn, Car Evaluation et Fashion-MNIST pour la régression, la classification tabulaire et d’images.
Tous les exemples suivent-ils le style TensorFlow 2 le plus récent ?
Non. L’approche principale repose sur eager, GradientTape et tf.keras, mais certaines cellules gardent des noms anciens comme tf.train.AdamOptimizer. Consultez la documentation actuelle pour adapter les exemples.
Y a-t-il un projet final unique ?
Non. Le cours propose des tâches ciblées de régression polynomiale, classification de sécurité automobile et réseau de type LeNet-5, en plus des notebooks guidés.
