Présentation

tf.Transform permet aux utilisateurs de définir des pipelines de prétraitement et de les exécuter à l'aide de frameworks de traitement de données à grande échelle, tout en ayant la possibilité d'exporter le pipeline dans le cadre d'un graphe TensorFlow.

Objectifs

• Prétraiter des données et extraire de nouvelles caractéristiques à l'aide de tf.Transform
• Créer et déployer un pipeline Apache Beam
• Utiliser les données traitées pour entraîner un modèle "taxifare" (prix d'une course en taxi) en local, puis diffuser une prédiction

Préparation

Pour chaque atelier, nous vous attribuons un nouveau projet Google Cloud et un nouvel ensemble de ressources pour une durée déterminée, sans frais.

1. Connectez-vous à Qwiklabs dans une fenêtre de navigation privée.

2. Vérifiez le temps imparti pour l'atelier (par exemple : 01:15:00) : vous devez pouvoir le terminer dans ce délai.
   Une fois l'atelier lancé, vous ne pouvez pas le mettre en pause. Si nécessaire, vous pourrez le redémarrer, mais vous devrez tout reprendre depuis le début.

3. Lorsque vous êtes prêt, cliquez sur Démarrer l'atelier.

4. Notez vos identifiants pour l'atelier (Nom d'utilisateur et Mot de passe). Ils vous serviront à vous connecter à Google Cloud Console.

5. Cliquez sur Ouvrir la console Google.

6. Cliquez sur Utiliser un autre compte, puis copiez-collez les identifiants de cet atelier lorsque vous y êtes invité.
   Si vous utilisez d'autres identifiants, des messages d'erreur s'afficheront ou des frais seront appliqués.

7. Acceptez les conditions d'utilisation et ignorez la page concernant les ressources de récupération des données.

Tâche 1 : Lancer une instance de notebook Vertex AI

1. Dans le menu de navigation de Google Cloud Console, cliquez sur Vertex AI > Workbench.

2. Sur la page "Instances de notebook", cliquez sur Nouveau notebook > TensorFlow Enterprise > TensorFlow Enterprise 2.3 (avec LTS) > Sans GPU.

3. Dans la boîte de dialogue Nouvelle instance de notebook, vérifiez le nom de la VM deep learning. Si vous ne souhaitez pas modifier la région ni la zone, laissez tous les paramètres tels quels, puis cliquez sur Créer.
   Le démarrage de la nouvelle VM prend deux à trois minutes.

4. Cliquez sur Ouvrir JupyterLab.
   Une fenêtre JupyterLab s'ouvre dans un nouvel onglet.

5. Lorsque le pop-up Compilation recommandée s'affiche, cliquez sur Compiler. Si le message "Échec de la compilation" apparaît, ignorez-le.

Tâche 2 : Cloner un dépôt du cours dans votre instance de notebook Vertex AI

Pour cloner le notebook "training-data-analyst" dans votre instance JupyterLab :

1. Dans JupyterLab, cliquez sur l'icône Terminal pour ouvrir un nouveau terminal.

2. À l'invite, exécutez la commande suivante :

   git clone https://github.com/GoogleCloudPlatform/training-data-analyst

3. Pour vérifier que vous avez bien cloné le dépôt, double-cliquez sur le répertoire "training-data-analyst" et vérifiez que vous pouvez voir son contenu.
   Vous y trouverez les fichiers de tous les ateliers de ce cours basés sur des notebooks Jupyter.

Tâche 3 : Explorer tf.Transform

1. Dans l'interface du notebook, accédez à training-data-analyst > courses > machine_learning > deepdive2 > feature_engineering > labs > 5_tftransform_taxifare.ipynb.

2. Dans l'interface du notebook, cliquez sur Modifier > Supprimer tous les éléments de sortie.

3. Lisez attentivement les instructions du notebook et complétez le code sur les lignes contenant la mention #TODO.

Conseil : Pour exécuter la cellule actuellement sélectionnée, vous pouvez cliquer dessus et appuyer sur Maj+Entrée. Vous trouverez les autres commandes de cellule dans l'interface du notebook, sous Exécuter.

• Des conseils ont parfois été ajoutés pour vous aider à effectuer des tâches. Mettez le texte en surbrillance pour lire les conseils (texte en blanc).
• Si vous avez besoin d'aide, reportez-vous à la solution complète. Pour cela, accédez à training-data-analyst > courses > machine_learning > deepdive2 > feature_engineering > solutions et ouvrez 5_tftransform_taxifare.ipynb.

Terminer l'atelier

Une fois l'atelier terminé, cliquez sur End Lab (Terminer l'atelier). Qwiklabs supprime les ressources que vous avez utilisées, puis efface le compte.

Si vous le souhaitez, vous pouvez noter l'atelier. Sélectionnez le nombre d'étoiles correspondant à votre note, saisissez un commentaire, puis cliquez sur Submit (Envoyer).

Le nombre d'étoiles que vous pouvez attribuer à un atelier correspond à votre degré de satisfaction :

• 1 étoile = très mécontent(e)
• 2 étoiles = insatisfait(e)
• 3 étoiles = ni insatisfait(e), ni satisfait(e)
• 4 étoiles = satisfait(e)
• 5 étoiles = très satisfait(e)

Si vous ne souhaitez pas donner votre avis, vous pouvez fermer la boîte de dialogue.

Pour soumettre des commentaires, suggestions ou corrections, veuillez utiliser l'onglet Support (Assistance).

Copyright 2020 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.