This course is focused on using the flexibility and “ease of use” of TensorFlow 2.x and Keras to build, train, and deploy machine learning models. You will learn about the TensorFlow 2.x API hierarchy and will get to know the main components of TensorFlow through hands-on exercises. We will introduce you to working with datasets and feature columns. You will learn how to design and build a TensorFlow 2.x input data pipeline. You will get hands-on practice loading csv data, numPy arrays, text data, and images using tf.Data.Dataset. You will also get hands-on practice creating numeric, categorical, bucketized, and hashed feature columns.
이 강좌에 대하여
최근 조회 71,309회
학습자 경력 결과
25%
가 이 강좌를 수료한 후 새로운 커리어를 시작함
31%
가 이 강좌를 통해 확실한 경력상 이점을 얻음
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
다음 특화 과정의 5개 강좌 중 3번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
중급 단계
완료하는 데 약 19시간 필요
영어
자막: 프랑스어, 포르투갈어 (브라질), 러시아어, 영어, 스페인어
배울 내용
Use the Keras Sequential and Functional APIs for simple and advanced model creation
Design and build a TensorFlow 2.x input data pipeline
Use the tf.data library to manipulate data and large datasets
Train, deploy, and productionalize ML models at scale with Cloud AI Platform
귀하가 습득할 기술
Machine LearningPython ProgrammingBuild Input Data PipelineTensorflowkeras
학습자 경력 결과
25%
가 이 강좌를 수료한 후 새로운 커리어를 시작함
31%
가 이 강좌를 통해 확실한 경력상 이점을 얻음
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
다음 특화 과정의 5개 강좌 중 3번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
중급 단계
완료하는 데 약 19시간 필요
영어
자막: 프랑스어, 포르투갈어 (브라질), 러시아어, 영어, 스페인어
제공자:
Google 클라우드
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.
강의 계획 - 이 강좌에서 배울 내용
완료하는 데 7분 필요
Introduction to course
This course is an introduction to TensorFlow 2.x, which incorporates the ease of use of Keras for building machine learning models. This course covers designing and building a TensorFlow 2.x input data pipeline, building machine learning models with TensorFlow 2.x and Keras, improving the accuracy of machine learning models, and writing machine learning models for scaled use.
완료하는 데 7분 필요
2개 동영상 (총 7분)
완료하는 데 3시간 필요
Introduction to TensorFlow
We will introduce you to the new paradigm of TensorFlow 2.x. You will learn about the the TensorFlow API hierarchy and will get to know the main components of TensorFlow, tensors and variables, through hands-on exercises.
완료하는 데 3시간 필요
5개 동영상 (총 22분), 1 개의 읽기 자료, 5 개의 테스트
5개의 동영상
TensorFlow API Hierarchy4m
Components of TensorFlow: Tensors and Variables8m
Lab Intro Introduction to Tensors and Variables1m
Lab Intro Writing low-level TensorFlow programs43
1개의 읽기 자료
Readings10m
3개 연습문제
Introduction to TensorFlow15m
API Hierarchy15m
Tensors and Variables15m
완료하는 데 7시간 필요
Design and Build a TensorFlow Input Data Pipeline
We will introduce you to working with datasets and feature columns. You will get hands-on practice loading csv data, numPy arrays with tf.data.Dataset, text data, and load images using tf.data.Dataset. You will also get hands on practice creating numeric, categorical, bucketized, and hashed feature columns.
완료하는 데 7시간 필요
10개 동영상 (총 25분), 1 개의 읽기 자료, 9 개의 테스트
10개의 동영상
Overview4m
Working in-memory and with files3m
Getting the data ready for model training6m
Lab Intro Load CSV and Numpy Data 28
Lab Intro Loading Image Data54
Lab Intro Feature Columns37
Optional Lab Intro TFRecord and tf.Example1m
Training on Large Datasets with tf.data API4m
Lab Intro Manipulating data with Tensorflow Dataset API34
Optional Lab Intro Feature Analysis Using TensorFlow Data Validation and Facets1m
1개의 읽기 자료
Readings15m
3개 연습문제
PRACTICE QUIZ: Getting the data ready for model training15m
Training on Large Datasets with tf.data API15m
Design and Build Input Data Pipeline15m
완료하는 데 4시간 필요
Training neural networks with Tensorflow 2 and the Keras Sequential API
In this module you will get introduced to writing TensorFlow models using the Keras Sequential API. But, before you jump right into writing the model, we will talk about activation functions, loss and optimization. You will then be introduced to the Keras Sequential API to learn how you can create deep learning models with it. You will also learn how to deploy the model for prediction in the cloud.
완료하는 데 4시간 필요
5개 동영상 (총 23분), 1 개의 읽기 자료, 5 개의 테스트
5개의 동영상
Overview31
Activation functions8m
Activation functions: Pitfalls to avoid in Backpropagation 5m
Neural Networks with Keras Sequential API7m
Lab intro Keras Sequential API21
1개의 읽기 자료
Readings10m
2개 연습문제
Activation Functions15m
Neural Networks with TF2 and Keras15m
완료하는 데 3시간 필요
Training neural networks with Tensorflow 2 and the Keras Functional API
The Sequential model API is great for developing deep learning models in most situations, but it also has some limitations. One example is that it is not straightforward to define models that may have multiple different input sources, produce multiple output destinations or models that re-use layers. The Keras Functional API is a way to create models that are more flexible than the tf.keras.Sequential API. The functional API can handle models with non-linear topology, models with shared layers, and models with multiple inputs or outputs. The Keras Functional API provides a more flexible way for defining models. It specifically allows you to define multiple input or output models as well as models that share layers. More than that, it allows you to define ad hoc acyclic network graphs. The main idea that a deep learning model is usually a directed acyclic graph (DAG) of layers. So the Functional API is a way to build graphs of layers. Additionally, we will also talk about how regularization can help with model performance.
완료하는 데 3시간 필요
6개 동영상 (총 29분), 1 개의 읽기 자료, 4 개의 테스트
6개의 동영상
Regularization: The Basics4m
Regularization: L1, L2, and Early Stopping5m
Regularization: Dropout5m
Serving models in the Cloud3m
Lab intro Keras Functional API38
1개의 읽기 자료
Readings1시간
3개 연습문제
The Keras Functional API15m
Regularization15m
Serving Models in the Cloud15m
완료하는 데 1시간 필요
Summary
Here we summarize the TensorFlow topics we covered so far in this course. We'll revisit core TensorFlow code, the tf.data API, Keras Sequential and Functional APIs and end with scaling your machine learning models with Cloud AI Platform.
완료하는 데 1시간 필요
1개 동영상 (총 8분), 1 개의 읽기 자료, 1 개의 테스트
검토
TENSORFLOW 소개의 최상위 리뷰
VC 제공2020년 5월 17일
I feel this course very valuable because it taught how to create an automated service in cloud with very huge data and working with distributed systems in production environment with minimal time.
LL 제공2019년 8월 30일
The tools and methods presented were great. The instructors were also fantastic. However the coding exercises were lacking in guidance even though the complete solution is given in the video.
DW 제공2018년 10월 16일
pretty good. some of the code in the last lab could be better explained. also please debug the cloud shell, as it does not always show the "web preview" button ;) otherwise, good job!
TW 제공2020년 3월 30일
This needs some updating - looks like the Tensorboard is no longer accessed in the same way as it was when this course was produced. Otherwise great! Good challenges! :/
Machine Learning with TensorFlow on Google Cloud Platform 특화 과정 정보
What is machine learning, and what kinds of problems can it solve? What are the five phases of converting a candidate use case to be driven by machine learning, and why is it important that the phases not be skipped? Why are neural networks so popular now? How can you set up a supervised learning problem and find a good, generalizable solution using gradient descent and a thoughtful way of creating datasets? Learn how to write distributed machine learning models that scale in Tensorflow, scale out the training of those models. and offer high-performance predictions. Convert raw data to features in a way that allows ML to learn important characteristics from the data and bring human insight to bear on the problem. Finally, learn how to incorporate the right mix of parameters that yields accurate, generalized models and knowledge of the theory to solve specific types of ML problems. You will experiment with end-to-end ML, starting from building an ML-focused strategy and progressing into model training, optimization, and productionalization with hands-on labs using Google Cloud Platform.
자주 묻는 질문
등록 전에 강좌를 미리 볼 수 있나요?
예. 등록하기 전에 첫 번째 비디오를 미리 보고 강의 계획을 검토할 수 있습니다. 미리 보기에 포함되지 않은 콘텐츠를 이용하려면 강좌를 구매해야 합니다.
등록하면 무엇을 이용할 수 있나요?
등록 후 세션이 시작되면 읽기 자료 항목 및 강좌 토론 포럼을 포함하여 모든 비디오와 기타 리소스를 이용할 수 있습니다. 연습 평가를 보고 제출하며 필요한 성적 평가 과제를 완료하여 성적을 받고 강좌 수료증을 취득할 수 있습니다.
강좌 수료증을 언제 받게 되나요?
강좌를 성공적으로 수료하면 전자 강좌 수료증이 성취도 페이지에 추가됩니다. 해당 페이지에서 강좌 수료증을 인쇄하거나 LinkedIn 프로필에 수료증을 추가할 수 있습니다.
이 강좌를 청강할 수 없는 이유는 무엇인가요?
이 강좌는 현재 Coursera에서 수업료를 결제했거나 재정 지원(해당하는 경우)을 받은 학습자만 이용할 수 있는 강좌입니다.
Is financial aid available?
예, Coursera에서는 수업료를 낼 수 없는 학습자를 위해 재정 지원을 제공합니다. 왼쪽에 있는 등록 버튼 아래 재정 지원 링크를 클릭하면 지원할 수 있습니다. 신청서를 작성하라는 메시지가 표시되며 승인되면 알림을 받습니다. 성취 프로젝트를 포함하여 전문 분야의 각 강좌에서 이 단계를 완료해야 합니다. 자세히 알아보기.
궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.
