Félicitations !

Introduction à TensorFlow en Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Ce que vous avez appris

Chapitre 1
- Opérations de bas niveau, basiques et avancées
- Calcul basé sur des graphes
- Calcul du gradient et optimisation
Chapitre 2
- Chargement et transformation des données
- Fonctions de perte prédéfinies et personnalisées
- Modèles linéaires et apprentissage par lots

Chapitre 3
- Couches de réseaux de neurones denses
- Fonctions d'activation
- Algorithmes d'optimisation
- Entraînement des réseaux de neurones
Chapitre 4
- Réseaux de neurones avec Keras
- Entraînement et validation
- API Estimators

Cette image montre une capture d'écran des modèles renvoyés par une recherche sur TensorFlow Hub.

TensorFlow Probability
- Plus de lois statistiques
- Distributions entraînables
- Ensemble élargi d'optimiseurs

Cette image montre un histogramme avec un ajustement de loi de probabilité.

¹ Capture d'écran provenant de https://tfhub.dev.

TensorFlow 2.0
- eager_execution()
- Intégration plus étroite de keras
- Estimators
- function()

Cette image montre un schéma de l'API Estimators et son lien avec les API de plus bas niveau.

Cette image montre un schéma de réseau de neurones.

L'image montre un graphe statique dans TensorFlow.

¹ Capture d'écran tirée de https://www.tensorflow.org/guide/premade_estimators

Introduction à TensorFlow en Python