Chez Google I / O, le géant mondial de la technologie a annoncé une série de cours gratuits pour aider les développeurs en herbe à explorer le potentiel de la technologie d’apprentissage automatique et d’intelligence artificielle sur divers frameworks et plates-formes open source tels que TensorFlow.js, TensorFlow Lite, Vertex.AI, etc..
Nous avons dressé une liste de tous les cours d’apprentissage automatique et d’intelligence artificielle annoncés lors de Google I / O.
[For beginner]
C’est un excellent cours pour les débutants, surtout si vous souhaitez résoudre le problème du spam. Il vous présentera TensorFlow.js et l’apprentissage automatique et vous aidera à créer un système de détection des commentaires-spam à l’aide de TensorFlow.js.
Cliquez ici pour regarder la vidéo.
Premiers pas avec la classification de texte mobile
Ici, vous apprendrez les concepts derrière l’apprentissage automatique et identifierez le spam à l’aide de la classification de texte ML. En plus de cela, vous apprendrez également à :
Cliquez ici pour regarder la vidéo.
Premiers pas avec la classification des images
Dans ce didacticiel, vous allez créer votre première application de vision par ordinateur sur Android ou iOS et découvrir comment un classificateur d’images capable de reconnaître des centaines de types d’images différents est créé. Créez votre première application de vision par ordinateur sur Android ou iOS.
Cliquez ici pour regarder la vidéo.
Démarrez avec la détection d’objets
Dans ce cours, vous découvrirez la détection d’objets et en quoi elle diffère des autres tâches de reconnaissance d’images, telles que la classification d’images. Il vous fournira les bases d’apprentissage qui vous aideront à créer un détecteur d’objet dans votre application mobile et à intégrer un détecteur d’objet à l’aide de l’API de détection d’objet du kit ML.
Cliquez ici pour regarder la vidéo.
Commencez avec la classification audio
Ici, vous apprendrez à utiliser l’apprentissage automatique pour la classification audio, à ajouter une classification audio à votre application mobile et à créer une application de base pour la classification audio.
Allez plus loin avec la classification audio
Ici, vous apprendrez à personnaliser un modèle de classification audio, en particulier un modèle de classification audio pré-entraîné pour détecter les sons d’oiseaux.
Allez plus loin avec la détection d’objets
Dans ce didacticiel, vous allez entraîner un modèle de détection d’objets à l’aide de votre ensemble de données et le déployer sur une application mobile à l’aide de TensorFlow Lite.
Cliquez ici pour regarder la vidéo.
Allez plus loin avec la classification des images
Apprenez à créer un modèle personnalisé pour la classification d’images à l’aide de TensorFlow Lite Model Maker et à l’intégrer dans une application en tant que modèle de kit ML personnalisé.
Cliquez ici pour regarder la vidéo.
Dans ce didacticiel, vous apprendrez à recycler votre modèle de classification de spam de commentaires pour tenir compte des instances qu’il ne classe pas correctement à l’aide de TensorFlow.js.
Cliquez ici pour regarder la vidéo.
Allez plus loin avec la recherche d’images de produits
Vous apprendrez à créer et à appeler un backend de recherche de produits à partir de l’application mobile à l’aide de Vision API Product Search.
Créer des produits d’intelligence artificielle de confiance
En utilisant cet exercice de codage, vous pourrez créer des produits d’IA de confiance avec le guide PAIR (People + AI Research).
En plus d’apprendre à créer des produits d’intelligence artificielle fiables et centrés sur l’utilisateur à l’aide du guide PAIR, vous apprendrez également:
- Quoi de neuf dans la deuxième édition du guide PAIR
- Suivez une série d’exercices qui mettent en évidence les opportunités dans le processus de développement de l’IA pour calibrer la confiance des utilisateurs, en mettant l’accent sur les données et l’explicabilité face à l’utilisateur
- Obtenez une introduction à une boîte à outils plus large de matériaux et de ressources disponibles pour une exploration plus approfondie
Créer et déployer un modèle de détection d’objets personnalisé avec TensorFlow Lite (Android)
Rédigé par Khanh LeViet, un évangéliste de TensorFlow chez Google, ce cours vous aidera à former un modèle de détection d’objet personnalisé à l’aide d’un ensemble d’images d’entraînement avec TFLite Model Maker, et à déployer le modèle à l’aide de la bibliothèque de tâches TFLite.
Voir également
Voici les points forts du cours:
- Créez une application Android qui détecte les ingrédients dans les images de repas
- Intégrez un modèle de détection d’objet pré-entraîné TFLite et voyez la limite de ce que le modèle peut détecter
- Entraînez un modèle de détection d’objets personnalisé pour détecter les ingrédients / composants d’un repas à l’aide d’un ensemble de données personnalisé appelé salad et TFLite Model Maker.
- Déployez le modèle personnalisé sur l’application Android à l’aide de la bibliothèque de tâches TFLite
/h3>
Dans ce didacticiel, vous apprendrez à créer un modèle TensorFlow.js pour reconnaître les chiffres manuscrits avec un réseau neuronal convolutif. Vous apprendrez également à utiliser l’apprentissage supervisé. Le cours est conçu par l’ingénieur logiciel de Google Yannick Assogba.
Voici ce que vous apprendrez de ce cours:
- Syntaxe TensorFlow.js pour la création de modèles convolutifs à l’aide de l’API des couches TensorFlow.js
- Formulation des tâches de classification dans TensorFlow.js
- Comment surveiller la formation dans le navigateur à l’aide de la bibliothèque tfjs-vis
TensorFlow.js: faire des prédictions à partir de données 2D
Écrit par Assogba, cet exercice de codage vous aidera à entraîner un modèle à faire des prédictions à partir de données numériques décrivant un ensemble de voitures. Avec ce cours, vous vous familiariserez avec la terminologie, les concepts et la syntaxe de base des modèles d’entraînement avec TensorFlow.js.
À la fin de ce cours, vous apprendrez :
- Meilleures pratiques pour la préparation des données pour l’apprentissage automatique, y compris le brassage et la normalisation
- Syntaxe TensorFlow.js pour la création de modèles à l’aide de tf.layers.API
- Comment surveiller la formation dans le navigateur à l’aide de la bibliothèque tfjs-vis
TensorFlow.js: créer une webcam intelligente dans JS avec un modèle ML pré-entraîné
Cet exercice de codage vous aidera à créer une page Web qui utilise l’apprentissage automatique directement dans le navigateur Web via TensorFlow.js pour classer et détecter les objets communs à partir d’un flux de webcam en direct, où il sera en mesure d’identifier, d’objectiver et d’obtenir les coordonnées de la délimitation. boîte pour chaque objet qu’il trouve.
Dans ce cours, vous apprendrez à :
- Chargez un modèle TensorFlow.js pré-entraîné
- Récupérez les données d’un flux de webcam en direct et dessinez-les sur le canevas
- Classez un cadre d’image pour trouver le (s) cadre (s) de délimitation de tout objet que le modèle a été entraîné à reconnaître
/h3>
Dans cet exercice de codage, vous vous familiariserez avec Firebase Hosting. De plus, vous serez en mesure de développer un système de bout en bout capable d’héberger et d’exécuter un modèle TensorFlow.js enregistré personnalisé avec ses ressources associées telles que HTML, CSS et JavaScript.
De plus, vous pourrez créer un modèle simple et léger et l’héberger via Firebase Hosting. Vous apprendrez à :
- Enregistrez un modèle TensorFlow.js personnalisé au bon format
- Configurez un compte Firebase pour l’hébergement
- Déployez vos ressources sur Firebase Hosting
- Déployez de nouvelles versions d’un modèle
TensorFlow.js: classificateur d’images d’apprentissage par transfert
Écrit par un ingénieur logiciel chez Google Nikhil Thorat, dans cet exercice de codage, vous apprendrez à construire une machine d’apprentissage simple. Dans ce cours, vous apprendrez :
- Comment charger un modèle MobileNet pré-entraîné
- Comment faire des prédictions via la webcam
- Comment utiliser les activations intermédiaires de MobileNet pour effectuer un apprentissage par transfert sur un nouvel ensemble de classes que vous décidez à la volée avec la webcam
Créer et déployer un modèle avec Vertex AI
Ici, vous apprendrez à utiliser Vertex.AI, une plate-forme ML gérée récemment annoncée par Google Cloud, pour créer des flux de travail d’apprentissage automatique de bout en bout.
À la fin de cet exercice, vous apprendrez à :
- Soumettez un travail de formation de modèle personnalisé à Vertex.AI
/li>
Remarque : le coût total pour exécuter cet exercice sur Google Cloud est d’environ 2 USD.
Rejoignez notre groupe Telegram. Faites partie d’une communauté en ligne engageante. Rejoignez-nous ici.
/h2>
Recevez les dernières mises à jour et les offres pertinentes en partageant votre e-mail.
Amit Raja Naik
où il se penche profondément sur les dernières innovations technologiques. Il est également bassiste professionnel.