Formation Machine Learning avancé avec TensorFlow sur Google Cloud Platform (MLTF)
Concevez, entraînez et déployez des modèles TensorFlow distribués à grande échelle sur Google Cloud !
Vue d'ensemble
Cette formation prépare à la certification : Google Cloud Certified Professional Machine Learning Engineer.
- Expérience de programmation en Python
- Connaissances de base en statistiques
- Notions de SQL et de cloud computing
Objectifs pédagogiques
Programme détaillé
1. La vision Google du Machine Learning
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
2. Démarrer en Machine Learning
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
3. Introduction à TensorFlow
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
4. Ingénierie des variables (Feature Engineering)
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
5. L’art et la science du ML
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
Prochaines sessions
Ils nous font confiance
Cette année notre filière Google Cloud Platform (GCP) a accompagné plus de 4 entreprises dont :
Avis des participants
Vraiment une super formation. Les échanges avec Julia étaient tops et très fluides. J'ai particulièrement apprécié le côté pratique : les cas concrets que nous avons vus sont directement exploitables et pourront être mis en application rapidement dans nos systèmes.
Votre formateur
Camilo R.
Formateur Machine Learning & Google Cloud
Camilo intervient sur des formations portant sur la Data Science et le Machine Learning. Parmi les formations qui lui sont confiées figurent notamment « MLOps » et « PyTorch ». Son activité de formation a débuté en 2024.
Financement
Cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
Questions fréquentes
Combien de temps dure la formation Machine Learning avancé avec TensorFlow sur Google Cloud Platform (MLTF) ?
Cette formation se déroule sur 5 jours.
Quels sont les prérequis pour suivre la formation Machine Learning avancé avec TensorFlow sur Google Cloud Platform (MLTF) ?
- Expérience de programmation en Python - Connaissances de base en statistiques - Notions de SQL et de cloud computing
Quel est le prix de la formation Machine Learning avancé avec TensorFlow sur Google Cloud Platform (MLTF) ?
En inter-entreprises, elle est à 3 750 € HT par participant. Un tarif sur-mesure est également disponible sur devis.
La formation Machine Learning avancé avec TensorFlow sur Google Cloud Platform (MLTF) délivre-t-elle une certification ?
Oui, cette formation est certifiante.
La formation Machine Learning avancé avec TensorFlow sur Google Cloud Platform (MLTF) est-elle éligible à un financement OPCO ?
Oui, cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
Choisissez votre formation
Mon contact chez SPARKS est professionnel et très réactif. Les échanges sont simples, efficaces, et la collaboration se déroule dans d'excellentes conditions.