la bibliothèque numérique de la formation secondaire

Close

L’objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâce à de nombreux exemples de code accessibles en ligne, comment les mettre en pratique.
La 3e  édition de cet ouvrage de référence, très remaniée, tient compte des récentes avancées.

Tous les exemples de code sont disponibles en ligne sous  la forme de notebooks Jupyter à l’adresse suivante : https://github.com/ageron/handson-ml3

Deep Learning avec Keras et TensorFlow

QRcode

Mise en oeuvre et cas concrets

L’objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâce à de nombreux exemples de code accessibles en ligne, comment les mettre en pratique.La 3e  édition de cet ouvrage de référence, trè

Voir toute la description...

Auteur(s): Géron, Aurélien

Editeur: Dunod

Collection: Hors Collection

Année de Publication: 2024

Nombre de pages: 624

Langue: Français

ISBN: 978-2-10-084769-3

eISBN: 978-2-10-086989-3

Edition: 3

L’objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâce à de nombreux exemples de code accessibles en ligne, comment les mettre en pratique.La 3e  édition de cet ouvrage de référence, trè

L’objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâce à de nombreux exemples de code accessibles en ligne, comment les mettre en pratique.
La 3e  édition de cet ouvrage de référence, très remaniée, tient compte des récentes avancées.

  • Construire et entraîner de nombreuses architectures de réseaux de neurones pour classification et régression à l’aide de Keras et TensorFlow  2.
  • Découvrir les mécanismes d’attention, les grands modèles de langage (LLM) tels que GPT-4, les réseaux antagonistes génératifs (GAN), les modèles de diffusion tels que DALL-E  2, la détection d’objets, la segmentation sémantique,  etc.
  • Explorer Keras, l’API officielle de haut niveau pour TensorFlow  2, désormais compatible également avec PyTorch et JAX.
  • Entraîner de grands modèles à l’aide de TF  Data, de l’API de stratégies de distribution, de TF  Serving, de Keras Tuner, ou encore de la bibliothèque Transformers de Hugging Face.
  • Passer à l’échelle supérieure sur la plateforme Google Vertex AI, ou déployer sur des appareils mobiles.
  • Créer des agents d’apprentissage autonomes avec l’apprentissage par renforcement profond.

Tous les exemples de code sont disponibles en ligne sous  la forme de notebooks Jupyter à l’adresse suivante : https://github.com/ageron/handson-ml3

Voir toute la description...

Découvrez aussi...