fbpx

在 Google 雲端平台用 TensorFlow 機器學習的 專業課程

Contents

學習 Google Cloud 的 ML( Machine Learning,機器學習),真實世界的端到端( end-to-end ) ML 實驗。

關於此課程

>>> 通過註冊此專業課程,你同意 FAQ 所列的 Qwiklabs 服務條款 :  https://qwiklabs.com/terms_of_service <<<

  • 什麼是機器學習,它可以解決哪些問題?
  • 將候選用例轉換為機器學習驅動的五個階段是什麼?
  • 為什麼不跳過階段這一點很重要?
  • 為什麼神經網路現在如此受歡迎?
  • 你如何設定有監督的學習問題,並使用梯度下降和建立資料集的深思熟慮的方法找到一個好的,可推廣的解決方案?
  • 學習如何編寫可在 Tensorflow 中擴充的分散式機器學習模型,擴充這些模型的培訓。並提供高效能預測。
  • 將原始資料轉換為特徵,使 ML 能夠從資料中學習重要特徵,並使人類的洞察力能夠解決問題。
  • 最後,學習如何合併正確的參數組合,以產生準確的,通用的模型和理論知識,以解決特定型別的 ML 問題。
  • 你將嘗試使用端到端 ML,從建構以 ML 為中心的戰略開始,並使用 Google 雲端平臺通過動手實驗進行模型培訓、優化和生產。

 到官方網站了解本課程與上課

製作方  

googlecloud.png

第 1 門課程  Google 如何進行機器學習

課程概述

什麼是機器學習,它可以解決哪些類型的問題? 谷歌認為機器學習有點不同 -比較與邏輯相關,而不僅僅是數據資料。 我們討論為什麼在如此框架於建構機器學習模型的管道時有幫助? 然後,我們討論將候選用例轉換為機器學習的五個階段,並考慮為什麼這些階段非常重要不能被跳過。 我們最終將認知機器學習可以增強( amplify )的偏見以及如何認識到這一點。

模組 1 :  Introduction to specialization

模組 2 :  What it means to be AI first

模組 3 :  How Google does ML

模組 4 :  Inclusive ML

模組 5 :  Python notebooks in the cloud Load

模組 6 :  Summary


第 2 門課程  啟動機器學習

課程概述

從機器學習的歷史開始,我們討論為什麼今天的神經網路在各種問題中表現如此出色。 然後我們討論如何設定一個監督學習問題並運用梯度下降( gradient descent )找出好的解決方案。 這涉及創建允許泛化( generalization )的資料集( datasets ); 我們將談到有哪些方法能做到,以支持實驗的可重複的方式。

課程目標:

  • 了解深度學習目前流行的原因
  • 使用損失函數( loss functions )和性能指標( performance metrics )優化和評估模型
  • 緩解機器學習中出現的常見問題
  • 創建可重複和可擴展的培訓、評估和測試資料集

模組 1 :  Introduction

模組 2 :  Practical ML

模組 3 :  Optimization

模組 4 :  Generalization and Sampling

模組 5 :  Summary


第 3 門課程  TensorFlow 的介紹

課程概述

我們引入底層的 TensorFlow,並採用必要的概念和  API 工作,以便能夠編寫分散式機器學習模型。 在 TensorFlow 模型下,我們解釋如何擴展該模型的培訓並使用 Cloud Machine Learning Engine 提供高性能預測。

課程目標:

  • 以 TensorFlow 創建機器學習模型
  • 使用 TensorFlow 程式庫( libraries )來解決數值問題
  • 排除故障並對常見的 TensorFlow 程式碼陷阱做除錯
  • 使用 tf.estimator 創建、訓練和評估 ML 模型
  • 使用 Cloud ML Engine 訓練、佈署和生產化( productionalize,使軟件原型準備好生產 ) ML 模型

模組 1 :  Introduction

模組 2 :  Core TensorFlow

模組 3 :  Estimator API

模組 4 :  Scaling TensorFlow models with CMLE

模組 5 :  Summary


第 4 門課程  特徵工程

課程概述

想知道如何提高機器學習模型的準確性? 那麼如何找到哪些資料欄( data columns )能夠提供最有用的特徵呢? 歡迎使用 Google 雲端平台上的特徵工程( Feature Engineering ),我們將討論好與壞特徵的要素,以及如何對它們進行預處理和轉換,以便在機器學習模型做最佳的運用。

在本課程中,你將親身實踐選擇特徵( features )並使用互動式實驗室( interactive labs )在 Google 雲端平台中對其進行預處理。 我們的講師將帶你了解程式碼解決方案,這些解決方案也將公開發佈,供你在參與的未來 ML 專案時參考。

模組 1 :  Introduction

模組 2 :  Raw Data to Features

模組 3 :  Preprocessing and Feature Creation

模組 4 :  Feature Crosses

模組 5 :  TF Transform

模組 6 :  Summary


第 5 門課程   機器學習的藝術與科學

課程概述

歡迎來到機器學習的藝術和科學。 在本課程中,你將學習 ML 直覺、良好判斷力和實驗的基本技能,以精細調整和優化 ML 模型以獲得最佳性能。

在本課程中,你將學習參與訓練模型的眾多旋鈕( knobs )和槓桿( levers )。 你將首先手動調整它們以查看它們對模型性能的影響。 一旦熟悉了旋鈕( knobs )和槓桿( levers ),或稱為超參數( hyperparameters ),你將學習如何使用 Google 雲端平台上的雲機器學習引擎( Cloud Machine Learning Engine )以自動方式調整它們。

模組 1 :  Introduction

模組 2 :  The Art of ML

模組 3 :  Hyperparameter Tuning

模組 4 :  A pinch of science

模組 5 :  The science of neural networks

模組 6 :  Embeddings

模組 7 :  Custom Estimator

模組 8 :  Summary


 到官方網站了解本課程與上課

Sponsored by Coursera

你可能會有興趣

 歡迎使用 App / Email | Telegram 訂閱 網站更新

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: