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
ML Pipelines on Google Cloud - Français · LearnSpace
Назад в каталог
courseraАнализ данных

ML Pipelines on Google Cloud - Français

Курс от Google Cloud
Продвинутый≈ 4 чФранцузский
О курсеНавыкиПрограммаПреподаватели

О курсе

Dans ce cours, vous profiterez de l'expérience d'ingénieurs et de formateurs en ML qui développent des pipelines de ML chez Google Cloud à l'aide de technologies de pointe. Les premiers modules porteront sur TensorFlow Extended (TFX), la plate-forme Google de machine learning de production basée sur TensorFlow et conçue pour gérer des pipelines et des métadonnées de ML. Vous explorerez les composants de pipelines et apprendrez à orchestrer des pipelines avec TFX. Vous verrez également comment automatiser vos pipelines au moyen d'une intégration et d'un déploiement continus, et comment gérer des métadonnées de ML. Ensuite, nous découvrirons comment automatiser et réutiliser des pipelines de ML sur plusieurs frameworks de ML tels que TensorFlow, PyTorch, scikit-learn et XGBoost. Vous apprendrez également à utiliser Cloud Composer, un autre outil Google Cloud, pour orchestrer vos pipelines d'entraînement continu. Enfin, nous verrons comment utiliser MLflow pour gérer l'ensemble du cycle de vie du machine learning.

Навыки, которые вы освоите

Data ValidationCI/CDTensorflowModel DeploymentAI OrchestrationModel EvaluationData PipelinesMetadata ManagementApache AirflowModel TrainingMLOps (Machine Learning Operations)Continuous DeploymentGoogle Cloud Platform

Программа курса

9 модулей · 41 учебных материалов

01Présentation1 материалов

Présentation

Présentation du coursВидео
02Présentation des pipelines TFX7 материалов

Présentation

TensorFlow Extended (TFX)ВидеоConcepts TFXВидеоComposants de données TFX standardsВидео

Учитесь у экспертов

Google Cloud Training

Преподаватель курса

ML Pipelines on Google Cloud - 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

≈ 4 ч

9 модулей

Язык: Французский

Субтитры: Английский

Часть программы вашего университета
Composants de modèles TFX standardsВидео
Nœuds de pipelines TFXВидео
Bibliothèques TFXВидео
QuizЗадание
03Orchestrer des pipelines avec TFX4 материалов

Présentation

Outils d'orchestration TFXВидеоApache BeamВидеоTFX sur Cloud AI PlatformВидеоQuizЗадание
04Composants personnalisés et CI/CD pour les pipelines TFX4 материалов

Présentation

Composants TFX personnalisés – Fonctions PythonВидеоComposants TFX personnalisés – Conteneurs et sous-classesВидеоCI/CD pour les workflows de pipelines TFXВидеоQuizЗадание
05Métadonnées avec TFX3 материалов

Présentation

Métadonnées de pipelines TFXВидеоModèle de métadonnées de ML TFXВидеоQuizЗадание
06Effectuer un entraînement continu avec plusieurs SDK, Kubeflow et AI Platform Pipelines5 материалов

Présentation

Applications d'entraînement conteneuriséesВидеоConteneuriser des applications PyTorch, scikit-learn et XGBoostВидеоKubeflow et AI Platform PipelinesВидеоEntraînement continuВидеоQuizЗадание
07Effectuer un entraînement continu avec Cloud Composer6 материалов

Présentation

Qu'est-ce que Cloud Composer ?ВидеоConcepts fondamentaux d'Apache AirflowВидеоPipelines d'entraînement continu avec Cloud Composer (données)ВидеоPipelines d'entraînement continu avec Cloud Composer (modèle)ВидеоApache Airflow, conteneurs et TFXВидеоQuizЗадание
08Pipelines de ML avec MLflow10 материалов

Présentation

PrésentationВидеоPrésentation des problèmes liés au développement du MLВидеоComment MLflow résout ces problèmesВидеоSuivi MLflowВидеоProjets MLflowВидеоModèles MLflowВидеоRegistre de modèles MLflowВидеоDémonstration : Déployer MLflow localementВидеоDémonstration : Utiliser MLflow avec Databricks Community EditionВидеоQuizЗадание
09Résumé1 материалов

Résumé

Résumé du coursВидео