Was ist maschinelles Lernen und welche Probleme lassen sich damit lösen? Für Google geht es beim maschinellen Lernen (ML) mehr um Logik als nur um Daten. In diesem Kurs erfahren Sie, warum dieser Ansatz beim Erstellen einer Pipeline aus ML-Modellen nützlich ist. Außerdem erläutern wir die fünf Phasen zur Umsetzung eines für ML geeigneten Anwendungsfalls und warum keine dieser Phasen übersprungen werden darf. Zum Abschluss besprechen wir die Verzerrung, die durch ML entstehen kann, und erklären, wie man sie erkennt.
이 강좌는 Machine Learning with TensorFlow on Google Cloud Platform auf Deutsch 전문 분야의 일부입니다.
How Google does Machine Learning auf Deutsch
제공자:
강의 계획 - 이 강좌에서 배울 내용
주
1완료하는 데 27분 필요
Einführung in die Spezialisierung
Hier wird eine Einführung in die Spezialisierung geboten und es werden die Google-Experten vorgestellt, die dieses Thema unterrichten.
4 videos (Total 11 min), 1 reading, 1 quiz
4개의 동영상
Was spricht für Google Cloud?2m
1개의 읽기 자료
Kursressourcen herunterladen10m
1개 연습문제
Modul 1 – Quiz6m
완료하는 데 1시간 필요
Was bedeutet "künstliche Intelligenz"?
Sie erfahren, was gemeint ist, wenn wir sagen, dass Google auf künstliche Intelligenz setzt und wie dies in der Praxis aussieht.
17 videos (Total 52 min), 1 quiz
17개의 동영상
Demo: ML bei Google Fotos1m
Google Übersetzer und Gmail1m
Heuristische Regeln ersetzen5m
Daten im Mittelpunkt3m
Lab-Einführung: Ein ML-Problem beschreiben1m
Lab-Nachbesprechung4m
Demo: ML bei Anwendungen2m
Vortrainierte Modelle3m
Entwicklung des ML-Marketplace2m
Eine Datenstrategie5m
Mit Datenverzerrungen umgehen5m
Eine ML-Strategie1m
Gestalten Sie Ihr Unternehmen um2m
Lab-Einführung: ML-Anwendungsbeispiel26
1개 연습문제
Modul 2 – Quiz6m
완료하는 데 1시간 필요
Maschinelles Lernen bei Google
In diesem Modul geht es um das organisatorische Know-how, das sich Google über die Jahre angeeignet hat.
6 videos (Total 36 min), 1 quiz
6개의 동영상
ML und Geschäftsprozesse6m
Der Weg zu ML10m
Deep Dive: Phasenenden4m
1개 연습문제
Modul 3 – Quiz6m
완료하는 데 1시간 필요
Inklusives maschinelles Lernen
In diesem Modul erfahren Sie, warum Systeme für maschinelles Lernen standardmäßig nicht fair sind und was Sie beachten sollten, wenn Sie in Ihren Produkten maschinelles Lernen nutzen.
7 videos (Total 27 min), 1 quiz
7개의 동영상
Statistische Messungen und annehmbare Kompromisse4m
Chancengleichheit6m
Entscheidungen simulieren3m
Fehler im Dataset mit Attributen finden4m
1개 연습문제
Modul 4 – Quiz6m
완료하는 데 5시간 필요
Python-Notebooks in der Cloud
In diesem Modul geht es um Cloud Datalab, die Entwicklungsumgebung, die Sie für dieses spezielle Thema verwenden.
22 videos (Total 81 min), 1 reading, 4 quizzes
22개의 동영상
Entwicklung2m
Demo: Rehosting von Cloud Datalab3m
Mit verwalteten Diensten arbeiten2m
Berechnung und Speicherung4m
Einführung in Qwiklabs3m
Lab-Nachbesprechung11m
Cloud shell2m
Dritte Generation der Cloud: Vollständig verwaltete Dienste1m
Dritte Generation der Cloud: Serverlose Datenanalyse2m
Dritte Generation der Cloud: BigQuery und Cloud Datalab52
Lab-Einführung: Datenanalyse mit Datalab und BigQuery1m
Lab-Nachbesprechung: Datenanalyse mit Datalab und BigQuery11m
ML, keine Regeln2m
API in Aktion3m
Video Intelligence API3m
Cloud Speech API3m
Übersetzung und NL4m
Lab: Einführung in vortrainierte ML-APIs49
Lab-Lösungen9m
1개의 읽기 자료
Einführung zum Lab "VM mieten"10m
1개 연습문제
Modul 5 – Quiz6m
Google 클라우드 정보
We help millions of organizations empower their employees, serve their customers, and build what’s next for their businesses with innovative technology created in—and for—the cloud. Our products are engineered for security, reliability, and scalability, running the full stack from infrastructure to applications to devices and hardware. Our teams are dedicated to helping customers apply our technologies to create success.
Machine Learning with TensorFlow on Google Cloud Platform auf Deutsch 전문 분야 정보
Was ist maschinelles Lernen und welche Probleme lassen sich damit lösen? Was sind die fünf Phasen zur Umsetzung eines für ML geeigneten Anwendungsfalls und warum darf keine dieser Phasen übersprungen werden? Warum sind neuronale Netze gerade so beliebt? Wie können Sie ein Projekt für betreutes Lernen gestalten und mithilfe des Gradientenverfahrens und sinnvoll erstellten Datasets eine gute, generalisierbare Lösung finden? In diesem Kurs lernen Sie, verteilte Modelle für ML zu schreiben, die in TensorFlow skaliert werden, das Training dieser Modelle horizontal zu skalieren und leistungsstarke Vorhersagen zu erstellen. Wir gehen darauf ein, wie Sie Rohdaten so in Merkmale umwandeln, dass ML wichtige Eigenschaften dieser Daten erlernen kann und menschliche Einblicke in das Problem zulässt. Schließlich lernen Sie, die richtige Mischung aus Parametern zu verwenden, um präzise und generalisierte Modelle zu erstellen, und Sie erhalten eine Einführung in die Theorie zum Lösen bestimmter Arten von ML-Problemen. Auf diese Weise gewinnen Sie ein umfassendes Verständnis von ML. Zuerst erstellen Sie eine auf ML ausgerichtete Strategie. Dann fahren Sie mit Modelltraining, Optimierung und Produktentwicklung fort. Hierbei helfen Ihnen praxisorientierte Labs der Google Cloud Platform.
>>> Mit Ihrer Teilnahme an dieser Spezialisierung stimmen Sie den Nutzungsbedingungen von Qwiklabs zu, die Sie in den FAQs und unter folgendem Link finden: https://qwiklabs.com/terms_of_service <<<
자주 묻는 질문
강의 및 과제를 언제 이용할 수 있게 되나요?
강좌에 등록하면 바로 모든 비디오, 테스트 및 프로그래밍 과제(해당하는 경우)에 접근할 수 있습니다. 상호 첨삭 과제는 이 세션이 시작된 경우에만 제출하고 검토할 수 있습니다. 강좌를 구매하지 않고 살펴보기만 하면 특정 과제에 접근하지 못할 수 있습니다.
이 전문 분야를 구독하면 무엇을 이용할 수 있나요?
강좌를 등록하면 전문 분야의 모든 강좌에 접근할 수 있고 강좌를 완료하면 수료증을 취득할 수 있습니다. 전자 수료증이 성취도 페이지에 추가되며 해당 페이지에서 수료증을 인쇄하거나 LinkedIn 프로필에 수료증을 추가할 수 있습니다. 강좌 내용만 읽고 살펴보려면 해당 강좌를 무료로 청강할 수 있습니다.
환불 규정은 어떻게 되나요?
재정 지원을 받을 수 있나요?
궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.
Coursera는 세계 최고의 교육에 대한 보편적인 접근 기회를 제공하며,
최고의 대학 및 기관들과 제휴하여 온라인 강좌를 제공합니다.
© 2019 Coursera Inc. All rights reserved.
