Réseaux neuraux récurrents et personnalisation de TensorFlow

Ce cours en ligne gratuit en informatique pratique avec TensorFlow va commencer par vous présenter le concept de réseaux de neurones récurrents (RNN) et construire des modèles d'apprentissage automatique pour les données séquentielles. Vous en apprendrez également sur les dépendances séquentielles des étiquettes et le calcul des réseaux neuraux récurrents. Vous serez introduit à la façon dont la perte est calculée dans le cas d'un RNN simple. Vous en apprendrez également sur l'architecture RNN modifiée, le problème de gradient de fuite et la mémoire LSTM (Long Short Term Memory).

Le cours introduit ensuite le concept d'utilisation de Recurrent Neural Networks pour construire des modèles de données de séries temporelles. Vous apprendrez également à former un modèle RNN pour les séries temporelles, les prévisions, la formation des modèles et la prévision des modèles. Ensuite, vous serez introduit dans les modèles d'apprentissage automatique, la classification de texte, le surajustement, le sous-ajustement, la régression et l'architecture d'un modèle de réseau neuronal.

Le cours explique ensuite la personnalisation de TensorFlow et la façon d'étendre la fonctionnalité de TensorFlow 2.0. Vous en apprendrez également sur les concepts de base des tenseurs et sur la façon d'utiliser les tenseurs avec des accélérateurs matériels. Ce cours explique en détail les principaux concepts de Tensorflow Keras et comment construire un modèle simple avec tf.keras. Vous apprendrez également à exécuter des fonctions de formation, d'évaluation, de prévision et de définition de rappels personnalisés.