Help protect the Great Barrier Reef with TensorFlow on Kaggle Join Challenge

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.

  • Créer des projets : la pratique est ce qu'il y a de mieux pour tester ses connaissances. N'ayez pas peur de vous lancer rapidement. Exercez-vous avec un notebook Colab ou un tutoriel très simple.

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

Apprenez les bases du ML à travers une série de livres et de cours en ligne. Après une présentation du ML, vous découvrirez le deep learning dans TensorFlow 2.0. Vous pourrez ensuite tester vos connaissances à l'aide de tutoriels de niveau débutant.

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
Développement JavaScript avec TensorFlow

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
de 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
de François Chollet

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

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow
d'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
de Ian Goodfellow, Yoshua Bengio et 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
de 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
de Gant Laborde

Ce livre pratique et complet couvre les principes de base de TensorFlow.js pour un large public technique. À la fin de ce livre, vous saurez comment créer et déployer des systèmes de deep learning prêts pour la production avec TensorFlow.js.

Deep Learning with JavaScript
de Shanqing Cai, Stanley Bileschi, Eric D. Nielsen et François 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.

Cours en ligne

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

Développé en collaboration avec l'équipe TensorFlow, ce cours fait partie de la spécialisation TensorFlow Developer. Il vous fera découvrir les bonnes pratiques liées à TensorFlow.

Introduction à l'utilisation de TensorFlow pour le 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.

Spécialisation TensorFlow Developer

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.

Cours d'initiation au Machine Learning

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.

Cours 6.S191 du MIT : 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.

Spécialisation Deep Learning

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.

Spécialisation TensorFlow: Data and Deployment

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.

Spécialisation TensorFlow: Advanced Techniques

Cette spécialisation s'adresse aux ingénieurs logiciels et spécialisés en machine learning qui connaissent les bases de TensorFlow, et souhaitent apprendre les fonctionnalités avancées de TensorFlow afin de développer leurs connaissances et compétences pour créer des modèles puissants.

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.

Présentation de l'algèbre linéaire utilisée en machine learning

Découvrez les bases de l'algèbre linéaire utilisée en machine learning. Vous n'avez jamais appris l'algèbre linéaire ou avez seulement quelques bases, et vous souhaitez mieux comprendre son utilisation dans le cadre du machine learning ? Cette vidéo est faite pour vous !

Spécialisation Mathematics for Machine Learning

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
de 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
de 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
de 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.

Cours 18.06 du MIT : 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.

Cours 18.01 du MIT : 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
de Daniel Kunin, Jingru Guo, Tyler Dae Devlin et Daniel Xiang

Les probabilités et les statistiques présentées sous forme visuelle.

An Introduction to Statistical Learning
de Gareth James, Daniela Witten, Trevor Hastie et 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.

Ressources TensorFlow

Les ressources sélectionnées ici sont un soutien précieux pour vous familiariser avec nos bibliothèques et frameworks TensorFlow en fonction de vos besoins. Passez directement aux sections TensorFlow.js, TensorFlow Lite, et TensorFlow Extended.


Vous pouvez également consulter le guide et les tutoriels TensorFlow officiels pour découvrir les derniers exemples et ateliers de programmation.

Machine learning : de zéro à héros

Cette série d'introduction s'adresse aux personnes qui savent coder, mais ne connaissent pas forcément le machine learning. Découvrez un exemple "Hello World" de création d'un modèle de ML, et apprenez à créer un classificateur d'images à l'aide d'un réseau de neurones convolutif.

Les bases de TensorFlow

Cette conversation autour des technologies de ML s'adresse aux personnes qui connaissent les bases du machine learning mais souhaitent obtenir un aperçu général de TensorFlow (Tensors, variables et gradients) sans utiliser d'API de haut niveau.

Présentation du deep learning

Cette conversation autour des technologies de ML aborde des sujets tels que l'apprentissage de représentation, et les familles de réseaux de neurones et leurs applications. Vous obtiendrez également un aperçu d'un réseau de neurones profond ainsi que de nombreux exemples de codes et concepts TensorFlow.

Coder dans TensorFlow

Dans cette série, l'équipe TensorFlow présente le codage dans plusieurs parties de TensorFlow. Vous découvrirez des vidéos sur les API de haut niveau de TensorFlow, le traitement du langage naturel, le paradigme Neural Structured Learning, et bien plus encore.

Identifier et résoudre les problèmes du quotidien à l'aide du machine learning

Apprenez à identifier les cas d'utilisation de ML les plus courants, tels que l'analyse de contenus multimédias, la création de recherches intelligentes et la transformation de données. Et découvrez comment les intégrer rapidement dans votre application à l'aide d'outils faciles à utiliser.

Pour JavaScript

Accédez aux dernières ressources sur TensorFlow.js.

Learning TensorFlow.js
de Gant Laborde

Ce livre pratique et complet couvre les principes de base de TensorFlow.js pour un large public technique. À la fin de ce livre, vous saurez comment créer et déployer des systèmes de deep learning prêts pour la production avec 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.

Série TensorFlow.js – Intelligence et apprentissage
de 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

Accédez aux dernières ressources sur TensorFlow Lite.

Machine learning sur appareil

Découvrez comment créer votre première application de ML sur appareil grâce à des parcours de formation composés de guides détaillés qui couvrent les cas d'utilisation courants, y compris la classification de sons, la recherche visuelle de produits, et bien plus encore.

Introduction to TensorFlow Lite

Ce cours explique comment déployer des modèles de deep learning sur des appareils mobiles et intégrés à l'aide de TensorFlow Lite. Il a été développé par l'équipe TensorFlow et Udacity afin de fournir aux développeurs de logiciels une vision pratique du déploiement de modèles.

Pour la production

Accédez aux dernières ressources sur TFX.

Ingénierie ML pour les déploiements de ML en production avec TFX

Découvrez comment créer un système de pipeline en production avec TFX. Nous vous présenterons rapidement tout ce que vous devez savoir, de l'acquisition de données à la création de modèles, en passant par le développement et la gestion.

Building Machine Learning Pipelines
de Hannes Hapke et Catherine Nelson

Ce livre vous explique les étapes à suivre pour automatiser un pipeline de ML dans l'écosystème TensorFlow. Les exemples liés au machine learning décrits dans ce livre sont basés sur TensorFlow et Keras, mais les concepts principaux s'appliquent à n'importe quel framework.

Spécialisation Machine Learning Engineering for Production (MLOps)

Développez vos compétences dans le domaine de l'ingénierie de production à l'aide de cette spécialisation composée de quatre cours. Apprenez à conceptualiser, créer et maintenir des systèmes intégrés qui fonctionnent en production de manière continue.

ML Pipelines on Google Cloud

Ce cours avancé présente les composants TFX ainsi que l'orchestration et l'automatisation de pipelines, et explique comment gérer des métadonnées de ML avec 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.

Pratiques d'IA responsables

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.