Machine Learning with TensorFlow on Google Cloud Platform en Español専門講座

¿Qué es el aprendizaje automático? ¿Qué tipos de problemas puede solucionar? En Google, tenemos una perspectiva ligeramente distinta sobre el aprendizaje automático: no se trata solo de los datos, sino también de la lógica. Hablamos de por qué un marco de este tipo es útil cuando pensamos en la creación de una canalización de modelos de aprendizaje automático. Luego, analizamos cinco fases para convertir un posible caso práctico en un recurso que pueda aprovechar la tecnología de aprendizaje automático y por qué es importante no saltarse fases. Finalizamos con un reconocimiento de los sesgos que puede amplificar el aprendizaje automático y cómo reconocerlos.

Comenzaremos con la historia del aprendizaje automático y discutiremos por qué las redes neuronales actualmente dan tan buenos resultados para una gran variedad de problemas de la ciencia de datos. Luego, veremos cómo configurar un problema de aprendizaje supervisado y encontrar una buena solución mediante el descenso de gradientes. Para esto, será necesario crear conjuntos de datos que permitan la generalización. Hablaremos sobre los métodos para hacerlo de una forma repetible que respalde la experimentación.

Objetivos del curso: Identificar por qué el aprendizaje profundo es popular en la actualidad Optimizar y evaluar modelos mediante las funciones de pérdida y las métricas de rendimiento Mitigar problemas comunes que se presentan en el aprendizaje automático Crear conjuntos de datos repetibles y escalables para entrenamiento, evaluación y pruebas

Este curso se enfoca en aprovechar la flexibilidad y facilidad de uso de TensorFlow 2.x y Keras para compilar, entrenar e implementar modelos de aprendizaje automático. Aprenderá sobre la jerarquía de la API de TensorFlow 2.x y conocerá los componentes principales de TensorFlow mediante ejercicios prácticos. Le mostraremos cómo trabajar con conjuntos de datos y columnas de atributos. Aprenderá a diseñar y compilar una canalización de datos de entrada de TensorFlow 2.x. Adquirirá experiencia práctica en la carga de arreglos de NumPy, imágenes y datos de texto con tf.data.Dataset, así como de datos de CSV con Pandas. También adquirirá experiencia práctica en la creación de columnas de atributos numéricas, categóricas, agrupadas en depósitos y con hash.

Además, le presentaremos las API secuencial y funcional de Keras para mostrarle cómo crear modelos de aprendizaje profundo. Hablaremos sobre las funciones de activación, pérdida y optimización. Nuestros labs prácticos sobre los notebooks de Jupyter le permitirán compilar modelos de aprendizaje automático de regresión lineal básica, y de regresión logística básica y avanzada. Aprenderá a entrenar, implementar y llevar a producción modelos de aprendizaje automático a gran escala con AI Platform de Cloud.

¿Desea saber cómo mejorar la precisión de sus modelos de aprendizaje automático? ¿Cuál es la forma de saber qué columnas de datos se prestan para las funciones más útiles? Bienvenido a Feature Engineering en Google Cloud Platform, el curso en el que hablaremos de cómo reconocer buenas funciones, y cómo puede preprocesarlas y transformarlas para usarlas de forma óptima en sus modelos de aprendizaje automático.

En este curso, practicará cómo elegir funciones y preprocesarlas en Google Cloud Platform mediante labs interactivos. Nuestros instructores lo guiarán por las soluciones de código, que también se harán públicas para que las consulte mientras trabaja en sus propios proyectos de AA en el futuro.