[PARTIE I : Construction du modèle]

Chapitre 1 : Introduction à TensorFlow
1.1 Qu'est-ce que l'apprentissage automatique ?
1.2 Limites de la programmation traditionnelle
1.3 De la programmation à l'apprentissage
1.4 TensorFlow
1.5 Utilisation de TensorFlow
1.6 Premiers pas avec l'apprentissage automatique
1.7 En conclusion

CHAPITRE 2 : INTRODUCTION À LA VISION PAR ORDINATEUR
2.1 Reconnaissance des vêtements
2.2 Neurones pour la vision par ordinateur
2.3 Conception de réseaux neuronaux
2.4 Entraînement du réseau neuronal
2.5 Analyse des résultats du modèle
2.6 S'entraîner plus longtemps : le surentraînement
2.7 Arrêt prématuré de la formation
2.8 En conclusion

CHAPITRE 3 VISION PAR ORDINATEUR AVANCÉE : Détection de caractéristiques dans les images
3.1 Convolution
3.2 Mise en commun
3.3 Création d'un réseau neuronal convolutif
3.4 Examen des réseaux neuronaux convolutifs
3.5 Création d'un réseau de neurones convolutif (CNN) capable de distinguer la parole et les personnes
3.6 Multiplication d'images
3.7 Transfert d'apprentissage
3.8 Multi-classification
3.9 Règlement sur l'abandon scolaire
3.10 En conclusion

CHAPITRE 4 : Utilisation des jeux de données publics avec TensorFlow
4.1 Premiers pas avec les jeux de données TensorFlow
4.2 Utilisation des jeux de données TensorFlow dans les modèles Keras
4.3 Utilisation de fonctions de mappage pour l'augmentation des données
4.4 Utilisation de divisions personnalisées
4.5 Comprendre TFRecord
4.6 Processus ETL pour la gestion des données dans TensorFlow
4.7 En conclusion

CHAPITRE 5 : INTRODUCTION AU TRAITEMENT AUTOMATIQUE DU LANGAGE
5.1 Encodage du langage en nombres
5.2 Suppression des mots vides et nettoyage du texte
5.3 Traitement des données réelles
5.4 En conclusion

CHAPITRE 6 : Programmation émotionnelle par l'utilisation d'embeddings
6.1 Construire le sens des mots
6.2 Intégration dans TensorFlow
6.3 Intégration de la visualisation
6.4 Utilisation des plongements lexicaux pré-entraînés de TensorFlow Hub
6.5 En conclusion

CHAPITRE 7 Réseaux de neurones récurrents pour le traitement automatique du langage naturel
7.1 Structure circulaire
7.2 Étendre le cycle au langage
7.3 Construction d'un classificateur de texte avec des RNN
7.4 Utilisation d'embeddings pré-entraînés dans les RNN
7.5 En conclusion

CHAPITRE 8 : Générer du texte avec TensorFlow
8.1 Conversion d'une séquence en une séquence d'entrée
8.2 Création d'un modèle
8.3 Création de texte
8.4 Extension de l'ensemble de données
8.5 Modification de la structure du modèle
8.6 Amélioration des données
8.7 Encodage basé sur les caractères
8.8 En conclusion

CHAPITRE 9 Comprendre les données séquentielles et les séries chronologiques
9.1 Caractéristiques communes des séries chronologiques
9.2 Techniques de prévision des séries chronologiques
9.3 En conclusion

CHAPITRE 10 : Construction d’un modèle d’apprentissage automatique pour prédire des séquences
10.1 Création d'un jeu de données Windows
10.2 Création d'un réseau de neurones profond et son entraînement avec des données séquentielles
10.3 Évaluation des résultats du réseau de neurones profonds
10.4 Analyse des prévisions globales
10.5 Réglage du taux d'apprentissage
10.6 Optimisation des hyperparamètres avec Keras Tuner
10.7 En conclusion

CHAPITRE 11 Réseaux de neurones convolutifs et réseaux de neurones récurrents pour les modèles de séquences
11.1 Convolution pour les données séquentielles
11.2 Utilisation des données météorologiques de la NASA
11.3 Modélisation de séquences avec des RNN
11.4 Autres couches de circulation
11.5 Utilisation du dropout
11.6 Utilisation des RNN bidirectionnels
11.7 En conclusion

[PARTIE II Utilisation du modèle]

Chapitre 12 : Introduction à TensorFlow Lite
12.1 Qu'est-ce que TensorFlow Lite ?
12.2 Conversion d'un modèle entraîné vers TensorFlow Lite
12.3 Conversion d'un classificateur d'images construit avec l'apprentissage par transfert vers TensorFlow Lite
12.4 En conclusion

CHAPITRE 13 Utilisation de TensorFlow Lite dans les applications Android
13.1 Qu'est-ce qu'Android Studio ?
13.2 Création de votre première application Android TensorFlow Lite
13.3 Création d'une application de traitement d'images
13.4 Application exemple TensorFlow Lite (pour Android)
13.5 En conclusion

CHAPITRE 14 Utilisation de TensorFlow Lite dans les applications iOS
14.1 Création de votre première application TensorFlow Lite avec Xcode
14.2 Une étape supplémentaire : Traitement d’images
14.3 Exemple d'application TensorFlow Lite (pour iOS)
14.4 En conclusion

CHAPITRE 15 : Introduction à TensorFlow.js
15.1 Qu'est-ce que TensorFlow.js ?
15.2 Installation et mise en place des supports
15.3 Création de votre premier modèle TensorFlow.js
15.4 Construction d'un classificateur d'iris
15.5 En conclusion

CHAPITRE 16 : Entraînement de modèles de vision par ordinateur avec TensorFlow.js
16.1 Considérations relatives à JavaScript pour les développeurs TensorFlow
16.2 Création d'un réseau de neurones convolutif (CNN) avec JavaScript
16.3 Utilisation des fonctions de rappel pour la visualisation
16.4 Entraînement avec le jeu de données MNIST
16.5 Réaliser des inférences sur des images avec TensorFlow.js
16.6 En conclusion

CHAPITRE 17 Conversion et réutilisation des modèles Python
17.1 Conversion de modèles Python en JavaScript
17.2 Utilisation d'un modèle pré-transformé
17.3 En conclusion

CHAPITRE 18 Apprentissage par transfert en JavaScript
18.1 Mise en œuvre de l'apprentissage par transfert avec MobileNet
18.2 Apprentissage par transfert avec TensorFlow Hub
18.3 Apprentissage par transfert avec TensorFlow.org
18.4 En conclusion

CHAPITRE 19 Déploiement avec TensorFlow Serving
19.1 Qu'est-ce que TensorFlow Serving ?
19.2 Installation de TensorFlow Serving
19.3 Construction et déploiement de modèles
19.4 En conclusion

CHAPITRE 20 Éthique, équité et confidentialité de l'IA
20.1 Équité dans la programmation
20.2 Équité dans l'apprentissage automatique
20.3 Outils pour l'équité
20.4 Apprentissage fédéré
20.5 Les principes de l'IA de Google
20.6 En conclusion

Recommandé par Andrew Ng, l'un des quatre plus grands experts en intelligence artificielle
Un guide d'apprentissage automatique par, pour et des développeurs

Nous sommes véritablement entrés dans l'ère de l'intelligence artificielle ! La technologie de l'IA se développe rapidement et divers secteurs, dont la finance, l'éducation, la distribution et la production industrielle, s'empressent de l'adopter.
En phase avec l'évolution des mentalités, la formation en intelligence artificielle se diversifie et les participants sont de plus en plus jeunes. Cependant, de nombreux développeurs éprouvent encore des difficultés à faire leurs premiers pas dans l'apprentissage automatique et l'apprentissage profond.
Si vous êtes un développeur qui souhaite apprendre correctement l'intelligence artificielle mais que les formules complexes vous rebutent, ou si vous voulez commencer l'apprentissage automatique avec du code Python sans théories difficiles, ce livre est le livre idéal pour faire vos premiers pas dans le monde de l'apprentissage automatique !

Ce livre explique l'apprentissage automatique et TensorFlow du point de vue d'un développeur et vous guide dans l'installation de TensorFlow pour une utilisation pratique.
Nous implémenterons nous-mêmes des modèles simples et construirons des modèles d'apprentissage automatique et d'apprentissage profond à l'aide de divers ensembles de données, notamment Fashion MNIST, Horse-Person, Rock, Paper, Scissors, Sarcasm et Dog-Cat.
Ce livre est un coffret cadeau complet d'apprentissage automatique destiné aux développeurs, couvrant la vision par ordinateur, les réseaux neuronaux convolutifs, les réseaux neuronaux récurrents, ainsi que TensorFlow Lite, TensorFlow.js et TensorFlow Serving.
Apprenez l'apprentissage automatique étape par étape grâce à des explications claires et pratiques des concepts et à des exemples de code.
Nous vous accompagnons dans votre progression en tant que développeurs d'IA.


Public cible
● Les développeurs qui souhaitent s'initier à l'apprentissage automatique mais ne savent pas par où commencer
Ce produit s'adresse à toute personne souhaitant apprendre les concepts du machine learning en exécutant directement du code Python, sans mathématiques ni théorie complexes.

Contenu principal
● Création de diverses structures de modèles avec TensorFlow
● Construction d'un modèle avec un réseau neuronal à un seul neurone
● Détection des caractéristiques d'une image par vision par ordinateur
● Tokeniser et ordonner les mots et les phrases à l'aide du traitement automatique du langage naturel
● Utilisation de modèles sur appareils mobiles avec TensorFlow Lite
Déploiement de modèles sur le web ou le cloud avec TensorFlow Serving