Date d'abonnement : 2024
Google Cloud Computing Foundations : mise en réseau et sécurité dans Google Cloud
Earned août 3, 2026 EDT
Modèles Transformer et modèle BERT
Earned juil. 30, 2026 EDT
Architecture encodeur/décodeur
Earned juil. 29, 2026 EDT
Mécanisme d'attention
Earned juil. 29, 2026 EDT
Introduction à la génération d'images
Earned juil. 29, 2026 EDT
Les cours Google Cloud Computing Foundations sont destinés aux personnes ayant peu ou pas de connaissances ni d'expérience dans le cloud computing. Ils offrent un aperçu des concepts de base du cloud, du big data et du machine learning, et explique où et comment Google Cloud s'y intègre. À la fin de cette série de cours, les participants seront à même de définir ces concepts et auront acquis des compétences pratiques. Les cours doivent être suivis dans cet ordre : 1. Google Cloud Computing Foundations : principes de base du cloud computing 2. Google Cloud Computing Foundations : infrastructure dans Google Cloud 3. Google Cloud Computing Foundations : mise en réseau et sécurité dans Google Cloud 4. Google Cloud Computing Foundations : données, ML et IA dans Google Cloud Ce troisième cours aborde les outils d'automatisation et de gestion du cloud, ainsi que la création de réseaux sécurisés.
Ce cours présente l'architecture Transformer et le modèle BERT (Bidirectional Encoder Representations from Transformers). Vous découvrirez quels sont les principaux composants de l'architecture Transformer, tels que le mécanisme d'auto-attention, et comment ils sont utilisés pour créer un modèle BERT. Vous verrez également les différentes tâches pour lesquelles le modèle BERT peut être utilisé, comme la classification de texte, les questions-réponses et l'inférence en langage naturel. Ce cours dure environ 45 minutes.
Ce cours offre un aperçu de l'architecture encodeur/décodeur, une architecture de machine learning performante souvent utilisée pour les tâches "seq2seq", telles que la traduction automatique, la synthèse de texte et les questions-réponses. Vous découvrirez quels sont les principaux composants de l'architecture encodeur/décodeur, et comment entraîner et exécuter ces modèles. Dans le tutoriel d'atelier correspondant, vous utiliserez TensorFlow pour coder une implémentation simple de cette architecture afin de générer un poème en partant de zéro.
Ce cours présente le mécanisme d'attention, une technique efficace permettant aux réseaux de neurones de se concentrer sur des parties spécifiques d'une séquence d'entrée. Vous découvrirez comment fonctionne l'attention et comment l'utiliser pour améliorer les performances de diverses tâches de machine learning, dont la traduction automatique, la synthèse de texte et les réponses aux questions.
Ce cours présente les modèles de diffusion, une famille de modèles de machine learning qui s'est récemment révélée prometteuse dans le domaine de la génération d'images. Les modèles de diffusion trouvent leur origine dans la physique, et plus précisément dans la thermodynamique. Au cours des dernières années, ils ont gagné en popularité dans la recherche et l'industrie. Ils sont à la base de nombreux modèles et outils Google Cloud avancés de génération d'images. Ce cours vous présente les bases théoriques des modèles de diffusion, et vous explique comment les entraîner et les déployer sur Vertex AI.