К содержимому
learnspaceYOUR NEXT CHAPTER
ПРОСТРАНСТВО ОБУЧЕНИЯ
ГлавнаяКаталог курсовМоё обучениеCoursera

Знания без границ

Учитесь у лучших университетов и компаний мира.

Открыть Coursera
Интеграция
Пространство университета
Моё пространствоСтраница курса
↵
ЯЛичный кабинетСтудент
© 2026 LearnSpaceКаждый день — возможность узнать больше.Помощь
Production Machine Learning Systems - Français · LearnSpace
Назад в каталог
courseraАнализ данных

Production Machine Learning Systems - Français

Курс от Google Cloud
Продвинутый≈ 16.8 чФранцузский
О курсеНавыкиПрограммаПреподаватели

О курсе

Dans ce cours, nous abordons en détail les composants et les bonnes pratiques de construction de systèmes de ML hautes performances dans des environnements de production. Nous verrons aussi certaines des considérations les plus courantes concernant la construction de ces systèmes, telles que l'entraînement statique, l'entraînement dynamique, l'inférence statique, l'inférence dynamique, les tâches TensorFlow distribuées et les TPU. Ce cours a pour objectif d'explorer les caractéristiques d'un bon système de ML, au-delà de sa capacité à effectuer des prédictions correctes.

Навыки, которые вы освоите

TensorflowData ValidationModel EvaluationModel DeploymentModel TrainingPerformance TuningDistributed ComputingMLOps (Machine Learning Operations)Data PipelinesModel OptimizationGoogle Cloud PlatformSystems Architecture

Программа курса

6 модулей · 65 учебных материалов

01Présentation du machine learning avancé sur Google Cloud 2 материалов

Introduction

Machine learning avancé sur Google CloudВидеоBienvenueВидео
02Concevoir l'architecture des systèmes de ML de production13 материалов

Introduction

Concevoir l'architecture des systèmes de MLВидео

Extraction, analyse et préparation des données

Extraction, analyse et préparation des données

Учитесь у экспертов

Google Cloud Training

Преподаватель курса

Production Machine Learning Systems - Français
В каталоге вашей программы

Инвестируйте в себя

Новые знания — в удобное для вас время.

Начать на Coursera

Обучение откроется на Coursera
в новой вкладке

Обучение на Coursera

≈ 16.8 ч

6 модулей

Язык: Французский

Субтитры: Английский

Часть программы вашего университета
Видео
Entraînement, évaluation et validation du modèleВидео
Modèle entraîné, service de prédiction et surveillance des performancesВидео

Décisions de conception

Décisions de conception pour l'entraînementВидеоDécisions de conception pour l'inférenceВидео

Concevoir une architecture à partir de zéro

Concevoir à partir de zéroВидео

Présentation de Vertex AI

Utilisation de Vertex AIВидеоPrésentation de l'atelier : Prédictions avec des données structuréesВидеоCoursera : Premiers pas avec Google Cloud Platform et QwiklabsВидеоAtelier : Prédictions avec des données structurées à l'aide de Vertex AIВнешний инструментConcevoir l'architecture des systèmes de ML de productionЗаданиеRessources : Concevoir l'architecture des systèmes de ML de productionЧтение
03Créer des systèmes de ML adaptables19 материалов

Introduction

IntroductionВидео

S'adapter aux données

S'adapter aux donnéesВидеоChanger de distributionВидеоAtelier : S'adapter aux donnéesВидеоBonnes et mauvaises décisionsВидеоDéfaillance systèmeВидеоDérive conceptuelleВидеоActions d'atténuation de la dérive conceptuelleВидеоValidation des données TensorFlowВидеоComposants de TensorFlow Data ValidationВидеоPrésentation de l'atelier : Introduction à TensorFlow Data ValidationВидеоAtelier : Introduction à TensorFlow Data ValidationВнешний инструментPrésentation de l'atelier : Visualisations avancées avec TensorFlow Data ValidationВидеоAtelier : Visualisations avancées avec TensorFlow Data ValidationВнешний инструмент

Réduire le décalage entre entraînement et inférence

Une conception bien pensée pour réduire le décalage entre entraînement et inférenceВидеоAtelier : Vertex AI : Entraîner et inférer un modèle personnaliséВнешний инструмент

Déboguer un modèle de production

Diagnostiquer un modèle de productionВидеоCréer des systèmes de ML adaptablesЗаданиеRessources : Créer des systèmes de ML adaptablesЧтение
04Créer des systèmes de ML hautes performances18 материалов

Introduction

IntroductionВидео

Aspects de la performance

EntraînementВидеоPrédictionsВидео

Entraînement distribué

Pourquoi l'entraînement distribué est nécessaireВидеоArchitectures d'entraînement distribuéВидеоStratégies d'entraînement distribué de TensorFlowВидеоStratégie répliquéeВидеоStratégie répliquée sur plusieurs nœuds de calculВидеоStratégie de TPUВидеоStratégie de serveur de paramètresВидеоPrésentation de l'atelier : Entraînement distribué avec KerasВидеоAtelier : Entraînement distribué avec KerasВнешний инструмент

Pipelines d'entrée plus rapides

Entraîner un modèle avec des ensembles de données volumineux à l'aide de l'API tf.dataВидеоPrésentation de l'atelier : Pipelines de données à la vitesse des TPUВидеоAtelier : Pipelines de données à la vitesse des TPUВнешний инструмент

Inférence

InférenceВидеоCréer des systèmes de ML hautes performancesЗаданиеRessources : Créer des systèmes de ML hautes performancesЧтение
05Créer des systèmes de ML hybrides10 материалов

Introduction

IntroductionВидеоMachine learning sur cloud hybrideВидео

Kubeflow

KubeflowВидеоPrésentation de l'atelier : Pipelines Kubeflow avec AI PlatformВидеоAtelier : Exécuter des pipelines sur Vertex AIВнешний инструмент

Optimiser TensorFlow pour mobile

TensorFlow LiteВидеоOptimiser TensorFlow pour mobileВидеоRésuméВидеоSystèmes de ML hybridesЗаданиеRessources : Systèmes de ML hybridesЧтение
06Résumé3 материалов

Résumé

Résumé du coursВидеоSystèmes de machine learning de production - lecturesЧтениеToutes les questions et les réponses des quizЧтение