Premiers pas avec TensorFlow : exercices de programmation

À mesure que vous progressez dans le cours d'initiation au machine learning, vous appliquez les techniques et les principes appris en programmant des modèles à l'aide de tf.estimator, une API TensorFlow de haut niveau.

Les exercices de programmation du cours d'initiation au machine learning utilisent une plate-forme d'analyse des données qui associe du code, une sortie et du texte descriptif au sein d'un seul document collaboratif.

Les exercices de programmation fonctionnent directement dans votre navigateur (aucune configuration requise) avec la plate-forme Colaboratory. Cette plate-forme est compatible avec la plupart des principaux navigateurs, mais a fait l'objet des tests les plus complets sur les versions classiques de Chrome et Firefox. Si vous préférez télécharger et exécuter les exercices hors connexion, consultez ces instructions relatives à la configuration d'un environnement local.

Effectuez les trois exercices suivants dans l'ordre indiqué :

  1. Présentation rapide de Pandas : Pandas est une bibliothèque importante pour la manipulation et l'analyse des données. Elle est largement utilisée dans le cadre de la programmation TensorFlow. Ce didacticiel fournit toutes les informations nécessaires pour ce cours. Si l'API Pandas vous est déjà familière, ignorez cet exercice.
  2. Premiers pas avec TensorFlow : cet exercice permet de découvrir la régression linéaire.
  3. Caractéristiques synthétiques et anomalies : cet exercice porte sur les caractéristiques synthétiques et les effets des anomalies d'entrée.

    Hyperparamètres courants dans les exercices du cours d'initiation au machine learning

    Les hyperparamètres suivants se retrouvent dans un grand nombre d'exercices de programmation :

    • étapes : il s'agit du nombre total d'itérations d'apprentissage. Une étape calcule la perte par rapport à un lot et utilise cette valeur pour modifier les poids du modèle une seule fois.
    • taille du lot : nombre d'exemples (choisis au hasard) pour une seule étape. La taille du lot de SGD est, par exemple, de 1.

    La formule suivante est appliquée :

    \[ nombre\,total\,d'\,exemples\,entraînés = taile\,de\,lot * étape \]

    Variable de commodité dans les exercices du cours d'initiation au machine learning

    La variable de commodité suivante est présente dans plusieurs exercices :

    • périodes : détermine la fréquence des rapports. Par exemple, si la variable periods est définie sur 7 et que l'hyperparamètre steps est défini sur 70, l'exercice générera la valeur de perte tous les 10 pas (ou 7 fois). Contrairement aux hyperparamètres, vous n'avez pas à modifier la valeur de periods. Sachez que la modification de la variable periods ne change pas ce qui est appris par votre modèle.

    La formule suivante est appliquée :

    \[ nombre\,d'\,exemples\,entraînés\,à\,chaque\,période = \frac{taille\,du\,lot * étapes} {périodes} \]