Google is committed to advancing racial equity for Black communities. See how.

Choisissez votre parcours de formation

Pour devenir un expert du machine learning, vous devez d'abord acquérir des bases solides dans quatre domaines d'apprentissage : le codage, les mathématiques, l'étude théorique du machine learning et la création de projets de ML.

Commencez par notre sélection de programmes sur TensorFlow afin d'améliorer ces quatre compétences ou formez-vous à votre rythme à l'aide de la bibliothèque de ressources ci-dessous.

Les quatre domaines d'apprentissage du machine learning

Au début de votre formation, il est primordial de savoir comment acquérir des connaissances sur le machine learning. Votre parcours de formation s'articule autour de quatre domaines, qui représentent les pièces maîtresses du puzzle. Pour vous aider, nous avons compilé une liste de livres, de vidéos et de cours en ligne pour que vous puissiez monter en compétences et vous préparer à intégrer le ML dans vos projets. Vous pouvez commencer par nos programmes guidés ou avancer à votre rythme en consultant la bibliothèque de ressources.

  • Compétences en codage : connaître les concepts du machine learning ne suffit pas pour créer des modèles. Pour tester et optimiser un modèle, il vous faut gérer des données, régler des paramètres et analyser des résultats, autant d'opérations qui exigent une certaine maîtrise du codage.

  • Mathématiques et statistiques : le machine learning est une discipline à forte composante mathématique. Connaître les notions mathématiques sous-jacentes s'avère fondamental pour créer des modèles de ML ou modifier des modèles existants.

  • Étude théorique du ML : en acquérant des bases théoriques, vous construisez un socle solide sur lequel vous appuyer, notamment en cas de problèmes.

  • Build your own projects: Getting hands on experience with ML is the best way to put your knowledge to the test, so don't be afraid to dive in early with a simple colab or tutorial to get some practice.

Programmes TensorFlow

Commencez par un programme guidé, avec des livres, des vidéos et des cours recommandés.

Pour les débutants
Les bases du machine learning avec TensorFlow

Learn the basics of ML with this collection of books and online courses. You will be introduced to ML and guided through deep learning using TensorFlow 2.0. Then you will have the opportunity to practice what you learn with beginner tutorials.

Niveau intermédiaire et expert
Machine learning théorique et avancé avec TensorFlow

Une fois que vous maîtrisez les fondamentaux du machine learning, passez à la vitesse supérieure avec une approche théorique des réseaux de neurones et du deep learning, et approfondissez les concepts mathématiques sous-jacents.

Pour les débutants
TensorFlow for JavaScript development

Découvrez les bases du développement de modèles de machine learning en langage JavaScript et comment déployer ces modèles directement dans le navigateur. Après une présentation générale sur le deep learning, réalisez les exercices pratiques pour bien démarrer avec TensorFlow.js.

Ressources pédagogiques

L'équipe TensorFlow a compilé une sélection de livres, cours, vidéos et exercices pour acquérir les bases du ML et apprendre à votre rythme.

Livres

La lecture est l'un des meilleurs outils pour comprendre les fondements du machine learning et du deep learning. Les livres vous apportent l'éclairage théorique indispensable pour assimiler plus rapidement de nouveaux concepts.

AI and Machine Learning for Coders
by Laurence Moroney

Résolument pratique, ce livre d'introduction vous permet de découvrir comment mettre en œuvre les scénarios de ML les plus courants, tels que la vision par ordinateur, le traitement du langage naturel (NLP) et la modélisation de séquences pour les environnements d'exécution Web, mobiles, cloud et intégrés.

Deep Learning with Python
by Francois Chollet

Ce livre est une introduction pratique au deep learning avec Keras.

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow
by Aurélien Géron

À partir d'exemples concrets, de bases théoriques et de deux frameworks Python prêts pour la production, scikit-learn et TensorFlow, ce livre propose une approche intuitive des concepts et outils nécessaires pour créer des systèmes intelligents.

Deep Learning
by Ian Goodfellow, Yoshua Bengio, and Aaron Courville

L'objet de ce livre est d'aider les étudiants et les professionnels à appréhender le machine learning de manière globale, et le deep learning en particulier.

Neural Networks and Deep Learning
by Michael Nielsen

Ce livre fournit des informations générales théoriques sur les réseaux de neurones. Il ne s'appuie pas sur TensorFlow, mais constitue néanmoins une référence de choix pour les étudiants désireux d'approfondir le sujet.

Learning TensorFlow.js
by Gant Laborde

A hands-on end-to-end approach to TensorFlow.js fundamentals for a broad technical audience. Once you finish this book, you'll know how to build and deploy production-ready deep learning systems with TensorFlow.js.

Deep Learning with JavaScript
by Shanqing Cai, Stanley Bileschi, Eric D. Nielsen with Francois Chollet

Écrit par les principaux auteurs de la bibliothèque TensorFlow, ce livre présente des cas d'utilisation fascinants et explique comment exécuter des applications de deep learning en JavaScript dans un navigateur ou sur Node.

Online courses

Suivre un cours en ligne en plusieurs parties est un bon moyen d'apprendre les concepts de base du ML. La plupart des cours fournissent des explications visuelles claires et les outils indispensables pour appliquer le machine learning, dans la sphère professionnelle ou privée.

Intro to TensorFlow for AI, ML, and Deep Learning

Developed in collaboration with the TensorFlow team, this course is part of the TensorFlow Developer Specialization and will teach you best practices for using TensorFlow.

Intro to TensorFlow for Deep Learning

Dans ce cours en ligne développé par l'équipe TensorFlow et Udacity, vous apprendrez à créer des applications de deep learning avec TensorFlow.

TensorFlow Developer Specialization

Dans cette spécialisation en quatre cours dispensée par un développeur TensorFlow, partez à la découverte des outils et des logiciels utilisés pour créer des algorithmes évolutifs basés sur l'IA dans TensorFlow.

Machine Learning Crash Course

Le Cours d'initiation au Machine Learning avec les API TensorFlow est un guide d'autoformation destiné aux personnes souhaitant maîtriser le machine learning. Il se compose d'une série de leçons comportant des cours vidéo, des études de cas concrets et des exercices pratiques.

MIT 6.S191: Introduction to Deep Learning

Ce cours proposé par le MIT permet d'acquérir des connaissances de base sur les algorithmes de deep learning et de s'exercer à créer des réseaux neuronaux avec TensorFlow.

Deep Learning Specialization

Cinq cours pour apprendre les bases du deep learning, comment créer des réseaux de neurones, mener à bien des projets de machine learning et devenir un spécialiste de l'IA. La théorie, alliée aux applications pratiques dans le secteur.

TensorFlow: Data and Deployment Specialization

Vous avez appris à créer et à entraîner des modèles. Découvrez maintenant comment maîtriser différents scénarios de déploiement et utiliser plus efficacement vos données pour entraîner votre modèle grâce aux quatre cours de cette spécialisation.

TensorFlow: Advanced Techniques Specialization

This specialization is for software and ML engineers with a foundational understanding of TensorFlow who are looking to expand their knowledge and skill set by learning advanced TensorFlow features to build powerful models.

Concepts mathématiques

Ces ressources vous aideront à comprendre les concepts mathématiques liés au ML, condition sine qua non pour approfondir vos connaissances dans ce domaine.

A friendly introduction to linear algebra for ML

A bird's-eye view of linear algebra for machine learning. Never taken linear algebra or know a little about the basics, and want to get a feel for how it's used in ML? Then this video is for you.

Mathematics for Machine Learning Specialization

Cette spécialisation en ligne disponible sur Coursera relie les mathématiques et le machine learning, et permet de maîtriser rapidement les notions mathématiques sous-jacentes dans le cadre d'une approche intuitive. Elle fait aussi le lien entre les mathématiques et la science des données.

Deep learning
by 3Blue1Brown

3blue1brown illustre des concepts mathématiques avec une approche visuelle. Dans cette série de vidéos, vous découvrirez les bases d'un réseau de neurones et son fonctionnement à travers le prisme des mathématiques.

Essence of Linear Algebra
by 3Blue1Brown

Une série de courtes vidéos par 3blue1brown qui présente, de manière visuelle, la géométrie des matrices, les déterminants et les éléments propres, entre autres.

Essence of Calculus
by 3Blue1Brown

Dans cette série de courtes vidéos, 3blue1brown s'appuie sur une démarche visuelle pour expliquer les bases du calcul. L'objectif : faire en sorte que vous compreniez parfaitement les théorèmes fondamentaux, et pas seulement comment fonctionnent les équations.

MIT 18.06: Linear Algebra

Le cours d'introduction du MIT aborde les théories liées aux matrices et l'algèbre linéaire. Il traite en particulier de sujets utiles dans d'autres disciplines, comme les systèmes d'équations, les espaces vectoriels, les déterminants, les valeurs propres, la similitude et les matrices définies positives.

MIT 18.01: Single Variable Calculus

Ce cours d'introduction sur le calcul proposé par le MIT traite de la différentiation et de l'intégration des fonctions à une variable dans les applications.

Seeing Theory
by Daniel Kunin, Jingru Guo, Tyler Dae Devlin, Daniel Xiang

Les probabilités et les statistiques présentées sous forme visuelle.

An Introduction to Statistical Learning
by Gareth James, Daniela Witten, Trevor Hastie, and Rob Tibshirani

Ce livre présente l'apprentissage statistique de manière accessible. Une boîte à outils incontournable pour s'y retrouver dans l'univers vaste et complexe des ensembles de données qui servent à entraîner les modèles de machine learning.

TensorFlow resources

We've gathered our favorite resources to help you get started with TensorFlow libraries and frameworks specific to your needs. Jump to our sections for TensorFlow.js, TensorFlow Lite, and TensorFlow Extended.


You can also browse the official TensorFlow guide and tutorials for the latest examples and colabs.

ML Zero to Hero

This introductory series is for people who know how to code, but don't necessarily know machine learning. See a a basic 'Hello World' example of building an ML model, and learn how to build an image classifier by convolutional neural network.

TensorFlow from the Ground Up

This ML Tech Talk is designed for those that know the basics of Machine Learning but need an overview on the fundamentals of TensorFlow (tensors, variables, and gradients without using high level APIs).

Intro to Deep Learning

This ML Tech Talk includes representation learning, families of neural networks and their applications, a first look inside a deep neural network, and many code examples and concepts from TensorFlow.

Coding TensorFlow

In this series, the TensorFlow Team looks at various parts of TensorFlow from a coding perspective, with videos for use of TensorFlow's high-level APIs, natural language processing, neural structured learning, and more.

Spotting and solving everyday problems with machine learning

Learn to spot the most common ML use cases including analyzing multimedia, building smart search, transforming data, and how to quickly build them into your app with user-friendly tools.

For Javascript

Explore the latest resources at TensorFlow.js.

Learning TensorFlow.js
by Gant Laborde

A hands-on end-to-end approach to TensorFlow.js fundamentals for a broad technical audience. Once you finish this book, you'll know how to build and deploy production-ready deep learning systems with TensorFlow.js.

Premiers pas avec TensorFlow.js, par TensorFlow

Cette série de trois vidéos aborde l'entraînement et l'exécution des modèles de machine learning avec TensorFlow.js, et montre comment créer un modèle de ML en JavaScript qui s'exécute directement dans le navigateur.

TensorFlow.js: Intelligence and Learning Series
by The Coding Train

Cette playlist de vidéos fait partie d'une série concernant le machine learning et le développement de réseaux de neurones. Elle aborde en particulier TensorFlow.js, l'API principale et l'utilisation de la bibliothèque JavaScript pour entraîner et déployer des modèles de ML.

Pour mobiles et IoT

Explore the latest resources at TensorFlow Lite.

On-Device Machine Learning

Learn how to build your first on-device ML app through learning pathways that provide step-by-step guides for common use cases including audio classification, visual product search, and more.

Introduction to TensorFlow Lite

Learn how to deploy deep learning models on mobile and embedded devices with TensorFlow Lite in this course, developed by the TensorFlow team and Udacity as a practical approach to model deployment for software developers.

Pour la production

Explore the latest resources at TFX.

ML engineering for production ML deployments with TFX

Get a hands-on look at how to put together a production pipeline system with TFX. We'll quickly cover everything from data acquisition, model building, through to deployment and management.

Building Machine Learning Pipelines
by Hannes Hapke, Catherine Nelson

This book walks you through the steps of automating an ML pipeline using the TensorFlow ecosystem. The machine learning examples in this book are based on TensorFlow and Keras, but the core concepts can be applied to any framework.

Machine Learning Engineering for Production (MLOps) Specialization

Expand your production engineering capabilities in this four-course specialization. Learn how to conceptualize, build, and maintain integrated systems that continuously operate in production.

ML Pipelines on Google Cloud

This advanced course covers TFX components, pipeline orchestration and automation, and how to manage ML metadata with Google Cloud.

IA centrée sur l'humain

Lors de la conception d'un modèle de ML ou d'une application basée sur l'IA, il est impératif de tenir compte des utilisateurs du produit. Les systèmes d'IA doivent répondre au mieux aux problématiques d'équité, d'interprétabilité, de confidentialité et de sécurité.

Responsible AI practices

Découvrez comment intégrer des pratiques de Responsible AI dans votre workflow de ML à l'aide de TensorFlow.

Guide People + AI

Google a rédigé un guide pour vous aider à concevoir des produits d'IA centrés sur l'humain. Consultez-le pour éviter les erreurs les plus courantes et offrir des expériences de qualité, en privilégiant toujours l'humain.

Module d'introduction à l'équité dans le domaine du machine learning

Ce module d'une heure, disponible dans le cours d'initiation au machine learning de Google, s'adresse aux débutants. Il examine différents types de biais humains pouvant se manifester dans les données d'entraînement, et fournit des stratégies pour les identifier et évaluer leurs effets.