fbpx

在 Google 雲端平台用 TensorFlow 機器學習的 專業課程

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。

更多

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

更多

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

更多

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。

更多

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。

更多

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

你可能會有興趣

 歡迎使用 App / Email | Telegram 訂閱 網站更新

Spread the love

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 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: