Skip to content
IgnitionAI
Search
Ctrl
K
Cancel
GitHub
Twitter
LinkedIn
YouTube
Select theme
Dark
Light
Auto
Tutoriel
Accueil
Moderne Développement web avec Tensorflow.js
Découverte du framework TFJS
Coco-SSD
Votre premier modèle
Speech Command
Documentation
Accueil
DataScience
Qu'est-ce que la Data Science ?
Qu'est-ce que l'optimisation ?
Qu'est-ce que le Clustering k-means ?
HuggingFace
1-Introduction
Dépôts et espaces de Hugging Face
Télécharger des modèles Hugging Face
Ajouter des jeux de données à votre compte Hugging Face et les utiliser localement
2-Deploiement
Utiliser Docker Hub et Azure Container Registry avec des conteneurs Hugging Face
Utiliser FastAPI avec des modèles Hugging Face
Conteneuriser une application FastAPI avec des modèles Hugging Face
Utiliser GitHub Actions pour automatiser le packaging de modèles
3-Application
Déployer un conteneur Hugging Face sur Azure Container Apps
Effectuer le fine-tuning de modèles Hugging Face existants
Déployer des modèles sur Hugging Face Spaces
Utiliser et porter des modèles au format ONNX
Introduction-MLOps
Qu'est-ce que MLOps ?
Qu'est-ce que DevOps ?
Qu'est-ce que des microservices ?
Qu'est-ce que l'IA éthique ?
MLFlow
Introduction à MLFlow
Reconnaître les bases de l'interface de suivi (Tracking UI) dans MLFlow
Créer un projet MLFlow pour des exécutions répétables
Utiliser un registre avec un modèle et interagir avec celui-ci
MLOps-Plateforme
AWS-Data-Analyse
Assainir et préparer les données pour le modélisation
Feature Engineering
Analyser et visualiser les données pour le machine learning
AWS-Data-Engineering
Apprendre à s'intégrer à AWS
Identifier et implémenter une solution d'ingestion de données
Créer des dépôts de données pour le machine learning
Identifier et mettre en œuvre une solution de transformation de données
AWS-MLOps
Sécurité AWS pour le machine learning
Choix des services AWS pour le machine learning
Construction de solutions de machine learning
Déploiement et opérationnalisation de solutions de machine learning
AWS-Modélisation
Formuler des problèmes métier comme des problèmes de machine learning
Sélectionner le(s) modèle(s) approprié(s) pour un problème de machine learning donné
Entraîner des modèles de machine learning
Optimiser les hyperparamètres
Évaluer les modèles de machine learning
MLOps-Python
Créer une API HTTP avec différents frameworks web
API et SDK - Introduction
API et SDK - Azure
API et SDK - Hugging Face
CLI - Automatisation de workflows
Créer des outils CLI
Utilisation des GPUs pour MLOps
Numpy
Introduction à Numpy
Manipulation des tableaux NumPy
Onnx-Runtime
🚀 ONNX Runtime Le Couteau Suisse du Déploiement ML
Pandas
Introduction à Pandas
Usage basique de Pandas
Charger et exporter des données avec Pandas
Manipuler des données dans un DataFrame
Pipeline-Operation
Ecosystème GitHub
Utiliser des modèles pré-entraînés
Créer des fonctions pour le workflow MLOps
Cloud-Pipeline
Qu'est-ce que les pipelines cloud dans Azure ?
Qu'est-ce que les pipelines cloud sur AWS ?
Qu'est-ce que les pipelines cloud sur GCP ?
Qu'est-ce que les pipelines cloud sur Hugging Face ?
Qu'est-ce que GitHub Actions ?
Utiliser un Makefile pour MLOps
Tutoriel Python Fire pour MLOps CLI
Division des monolithes MLOps en Azure Functions
Configuration des tests GitHub Actions pour Azure Functions
Pytest
Tester les échecs avec Pytest
Apprendre à écrire des tests utiles
Apprendre à tester du code Python
Reconnaître les bases des tests et leur importance
Écrire et exécuter des tests avec des fonctions et des classes
Tensorflow
apprentissage-profond-génératif
AutoEncoder
Lien Google Colab
Créer un AutoEncoder
AutoEncoder - MNIST
AutoEncoder DNN - MNIST
AutoEncoder CNN - Fashion MNIST
Noisy CNN AutoEncoder - Fashion MNIST
Gans
Liens Utile
Concevoir votre première architecture GAN
Entraîner un GAN
Construire votre premier GAN
Construire un DCGAN sur Fashion MNIST
Construire un GAN de Génération de Visages avec le Jeu de Données des Célébrités
style-transfert
Introduction
Total Variation Loss
Transfert de style neuronal rapide vs réseaux de neurones convolutifs profonds (DCNN)
Définition et aperçu
Comprendre la matrice de Gram dans le transfert de style
Étapes pour Calculer la Perte dans le Transfert de Style
Varational-AutoEncoder
Lien Utile
Créer un Variational AutoEncoder (VAE)
Calcul de la perte dans un Variational AutoEncoder (VAE)
Générer des données avec un Variational AutoEncoder (VAE)
Couche d'échantillonnage
Architecture du VAE
Définition des Autoencodeurs Variationnels (VAEs)
Entrainement-Distribué
Differentiation-Gradient
Modes d'exécution
Gradient Tape
Tenseur-Manipulation
Créer des objets tensoriels
Concepts de base de TensorFlow
Évaluation des variables et modification des types de données
Graph-Mode
Modes d'exécution
Utilisation de décorateurs et de tf.autograph
Utilisation du mode graphique
Utilisation du mode graphique
Training
Custom Training Loop
Implémenter des boucles d'entraînement personnalisées avec tf.GradientTape
Implémenter une boucle d'entraînement personnalisée avec TensorFlow Datasets
Training-Distribué-Custom
Entraînement distribué
Utilisation de la stratégie MirroredStrategy
Utilisation de la stratégie TPUStrategy
Model-Custom
API-Fonctionnel
Revue API Sequential
API Functional
Entrées, couches et modèle
Description des nouveaux type de modèles avec API Functional
Utilisation de l'API Functional de Keras
Modèles multi-sorties
Modèles multi-sorties
Réseau Siamese
CallBack
Introduction aux callbacks
Créer un callback personnalisé
Utiliser un callback ModelCheckpoint
Utiliser un callback EarlyStopping
Créer un callback personnalisé
Utiliser un callback ReduceLROnPlateau
Couche-Personnalisée
Couche quadratique
Couche personnalisée avec activation
Héritage de la classe Layer
Couche personnalisée avec activation
Personnalisée versus Lambda
Couche Lambda
Custom-Loss-Function
Fonctions de perte personnalisées
Fonctions de perte personnalisées
Siamese Modele et Contrastive Loss
Utilisation de la fonction de perte Huber
Utilisation de la fonction de perte personnalisée en utilisant une classe orientée objet
Utilisation de la fonction de perte contrastive
Customisation
Introduction
Modèle personnalisé en utilisant une classe Python
Utilisation de la classe Model
Construire un réseau résiduel
TF-Agent
Introduction à TF-Agents
Vision-Avancée
Collab Exemple
Concept-Basique
localisation vs détection
detection vs segmentation
segmentation d'instances vs segmentation sémantique
Transfer Learning
Fine-tuning Options
Implémentation d'un modèle de localisation d'objets
Implémentation d'un classificateur d'images
Interpretabilité
Interprétabilité
CAM
Saliency Maps
Grad-CAM
Visualisation
Object-Detection
Réseaux neuronaux convolutionnels régionaux (R-CNN)
R-CNN sur TF-Hub
API de détection d'objets de TensorFlow
Transfer Learning avec ResNet-50
API pour annotation
Boucle d’entraînement custom et fine-tuning d’un modèle
Segmentation
Fully Convolutional Networks - FCN
Architecture FCN
Upsampling - Interpolation
FCN
Métriques de performance
U-Net
Construction d'un modèle U-Net
Mask R-CNN
GitHub
Twitter
LinkedIn
YouTube
Select theme
Dark
Light
Auto
Accueil
Documentation
