このコースについて

共有できる証明書
修了時に証明書を取得
100%オンライン
自分のスケジュールですぐに学習を始めてください。
柔軟性のある期限
スケジュールに従って期限をリセットします。
中級レベル
約14時間で修了
日本語
字幕:フランス語, ポルトガル語(ブラジル), ドイツ語, ロシア語, 英語, スペイン語, 日本語...

習得するスキル

Language IndustryInformation Seeking BehaviorCollective IntelligenceSocial Media Mining
共有できる証明書
修了時に証明書を取得
100%オンライン
自分のスケジュールですぐに学習を始めてください。
柔軟性のある期限
スケジュールに従って期限をリセットします。
中級レベル
約14時間で修了
日本語
字幕:フランス語, ポルトガル語(ブラジル), ドイツ語, ロシア語, 英語, スペイン語, 日本語...

提供:

Placeholder

Google Cloud

シラバス - 本コースの学習内容

1

1

1分で修了

はじめに

1分で修了
1件のビデオ (合計1分)
1件のビデオ
3時間で修了

生データから特徴への変換

3時間で修了
14件のビデオ (合計52分)
14件のビデオ
良い特徴と悪い特徴2 分
クイズ: 特徴は目的に関係している3 分
予測時に知ることができる特徴3 分
クイズ: 特徴は予測時に知ることができる4 分
特徴は数値でなければならない27
クイズ: 特徴は数値でなければならない5 分
特徴には十分な例が必要1 分
クイズ: 特徴には十分な例が必要(p1)2 分
クイズ: 特徴には十分な例が必要(p2)2 分
人間による分析を取り入れる27
特徴を表す8 分
機械学習と統計情報3 分
ラボでのソリューション: 新しい特徴によるモデル精度の向上12 分
2の練習問題
生データから特徴への変換30 分
特徴の表現30 分
5時間で修了

前処理と特徴の作成

5時間で修了
10件のビデオ (合計52分)
10件のビデオ
Beam と Dataflow9 分
ラボの概要: シンプルな Dataflow パイプライン19
ラボでのソリューション: シンプルな Dataflow パイプライン6 分
スケーラブルなデータ パイプライン5 分
ラボの概要: Dataflow での MapReduce33
ラボでのソリューション: Dataflow での MapReduce3 分
Cloud Dataprep による前処理6 分
ラボの概要: 時間枠で区切られたデータを Cloud Dataprep で処理する10 分
ラボでのソリューション: 時間枠で区切られたデータを Cloud Dataprep で処理する36
3の練習問題
前処理と特徴の作成30 分
Apache Beam と Cloud Dataflow30 分
Cloud Dataprep を使用した前処理30 分
3時間で修了

特徴断面

3時間で修了
18件のビデオ (合計90分)
18件のビデオ
特徴断面とは5 分
離散化1 分
記憶化と一般化4 分
タクシーの色4 分
ラボの概要: 特徴断面を使った適切な分類子の作成26
ラボでのソリューション: 特徴断面を使った適切な分類子の作成6 分
スパース性 + クイズ5 分
ラボの概要: 過ぎたるは及ばざるがごとし31
ラボでのソリューション: 過ぎたるは及ばざるがごとし7 分
特徴断面の実装5 分
特徴断面の埋め込み9 分
特徴エンジニアリングを行う場所6 分
TensorFlow での特徴作成2 分
DataFlow での特徴作成2 分
ラボの概要: 特徴エンジニアリングによる機械学習モデルの強化42
ラボでのソリューション(p1): 機械学習の公正性に関する報告3 分
ラボでのソリューション(p2): 特徴エンジニアリングによる機械学習モデルの強化20 分
1の練習問題
特徴断面30 分
2時間で修了

TF Transform

2時間で修了
7件のビデオ (合計42分)
7件のビデオ
TensorFlow 変換8 分
分析フェーズ3 分
変換フェーズ4 分
サ―ビングのサポート3 分
ラボの概要: tf.transform の理解1 分
ラボでのソリューション: tf.transform の理解19 分
1の練習問題
tf.transform30 分
3分で修了

まとめ

3分で修了
1件のビデオ (合計3分)
1件のビデオ

Machine Learning with TensorFlow Google Cloud Platform 日本語版専門講座について

機械学習とはどのようなもので、どのような問題解決に役立つのでしょうか。候補となるユースケースを機械学習で習得できる形に変換する5段階とは、そしてこれらの段階を省略しないことが重要である理由は何でしょうか。今、なぜニューラル ネットワークに注目が集まっているのでしょうか。 問題を設定し、勾配降下を使用して適切な解決策を見つけ、データセットを作成する方法について学びます。また、Tensorflow でスケーラブルな分散型機械学習モデルを作成して、これらのモデルのトレーニングを拡張し、高性能な予測ができるようになります。さらに、機械学習(ML)がデータから重要な特質を学習したり、人間による分析を問題に取り入れるように、生データを変換します。最後に、正確で一般化されたモデルを生成し、特定の ML 問題を解決する理論について、および適切なパラメータの組み合わせ方を学びます。まず ML 集中型の戦略の構築から始め、その後 Google Cloud Platform のハンズオンラボを通じてモデルのトレーニング、最適化、本稼働まで、ML に関する手順全体を実習します。...
Machine Learning with TensorFlow  Google Cloud Platform 日本語版

よくある質問

さらに質問がある場合は、受講者向けヘルプセンターにアクセスしてください。