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.
이 강좌에 대하여
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
Introducción
Comenzaremos el curso con una introducción de TensorFlow, la herramienta que usaremos para escribir programas de aprendizaje automático. En el primer curso, aprendió a formular problemas de negocios como problemas de aprendizaje automático. En el segundo, aprendió cómo funciona el aprendizaje automático en la práctica y cómo crear conjuntos de datos para ese uso específico. Ahora que ya cuenta con los datos necesarios, es hora de prepararse para escribir programas de aprendizaje automático.
Aspectos básicos de TensorFlow
Le presentaremos los componentes centrales de TensorFlow y obtendrá experiencia práctica en la compilación de programas de aprendizaje automático. Comparará y escribirá programas imperativos y de evaluación perezosa; trabajará con gráficos, sesiones y variables y, por último, depurará programas de TensorFlow.
API de Estimator
En este módulo, aprenderá sobre la API de Estimator.
Escalamiento de modelos de TensorFlow con CMLE
En esta sesión, hablaremos sobre cómo tomar un modelo de TensorFlow y entrenarlo en la infraestructura administrada de GCP para el entrenamiento y la implementación de modelos de aprendizaje automático.
Resumen
En esta sesión, resumimos los temas de TensorFlow que se trataron durante este curso. Repasaremos el código básico de TensorFlow y la API de Estimator, y terminaremos con el escalamiento de los modelos de aprendizaje automático con Cloud Machine Learning Engine.
검토
INTRO TO TENSORFLOW EN ESPAÑOL의 최상위 리뷰
Excelente curso para las personas como yo que deseo ingresar al mundo del deep learning, a pesar de ser corto el curso es funcional para tener los conceptos básicos claros.
Its a great introduction overall, but some of the lab codes do not match the videos. Also, I hope that this introduction will change to implementation in Tensorflow 2.0
Los ejercicios prácticos refuerzan mucho lo aprendido en los videos, el contenido es bastante bueno y las explicaciones son bastante simples de entender.
There are several elements regarding the labs that can be updated since I got problems that seem to be due to the versions of python or Tensorflow.
Machine Learning with TensorFlow on Google Cloud Platform en Español 특화 과정 정보
¿Qué es el aprendizaje automático? ¿Qué tipos de problemas puede solucionar? ¿Cuáles son las cinco fases para convertir un posible caso práctico en un recurso que pueda aprovechar la tecnología de aprendizaje automático? ¿Por qué es importante no saltarse fases? ¿Por qué las redes neuronales son tan populares? ¿Cómo plantear un problema de aprendizaje supervisado y encontrar una buena solución generalizable mediante un descenso de gradientes y una forma meditada de crear conjuntos de datos? Aprenda a escribir modelos de aprendizaje automático distribuido que escalen en Tensorflow y que brinden predicciones de alto rendimiento. Convierta los datos sin procesar en funciones de una forma que permita al AA aprender características importantes de los datos y aportar una percepción humana para abordar los problemas. Por último, aprenda a incorporar la combinación adecuada de parámetros que desarrolle modelos generalizados y exactos, y conozca la teoría para solucionar determinados tipos de problemas de AA. Experimentará con el AA de extremo a extremo, a partir de la construcción de una estrategia centrada en el AA y el avance hacia el entrenamiento, optimización y producción de modelos con labs prácticos mediante Google Cloud Platform.

자주 묻는 질문
등록 전에 강좌를 미리 볼 수 있나요?
등록하면 무엇을 이용할 수 있나요?
강좌 수료증을 언제 받게 되나요?
이 강좌를 청강할 수 없는 이유는 무엇인가요?
Is financial aid available?
강좌를 수료하면 대학 학점을 받을 수 있나요?
궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.