courseoutline_metadesc.tpl

Advanced Machine Learning with TensorFlow on Google Cloud Platform (MLTF) – Details

Detaillierter Kursinhalt

Maschinelles Lernen bei Google

Was ist maschinelles Lernen und welche Probleme lassen sich damit lösen? Für Google geht es beim maschinellen Lernen mehr um Logik als nur um Daten. In diesem Kurs erfahren Sie, warum dieser Ansatz beim Erstellen einer Pipeline aus ML-Modellen nützlich ist. Wir erläutern die fünf Phasen zur Umsetzung eines Anwendungsfalls für maschinelles Lernen und warum keine dieser Phasen übersprungen werden darf. Wir beenden diese Spezialisierung mit einer Erläuterung der Vorurteile, die durch maschinelles Lernen vergrössert werden können, und wie man sie erkennen kann.

  • Datenstrategie zu ML entwickeln
  • Anwendungsfälle untersuchen, die dann aus der ML-Perspektive neu erfunden werden
  • Vorurteile erkennen, die durch maschinelles Lernen vergrössert werden können
  • Die Tools und die Umgebung der Google Cloud Platform für maschinelles Lernen nutzen
  • Aus der Erfahrung von Google zur Vermeidung gängiger Problematiken lernen
  • Data Science-Aufgaben in Online-Notebooks zur Zusammenarbeit ausführen
  • Vortrainierte ML-Modelle aus Cloud Datalab aufrufen
Einführung in das maschinelle Lernen

Ausgehend von einem Überblick über die Geschichte des maschinellen Lernens lernen Sie in diesem Kurs, warum neuronale Netzwerke heutzutage in der Lage sind, eine Vielzahl von Problemen erfolgreich zu bearbeiten. Sie lernen, betreute Lernprobleme einzurichten und mithilfe des Gradientenverfahrens eine gute Lösung zu finden. Dazu gehört das Erstellen von Datasets, die eine Generalisierung zulassen. Der Kurs behandelt Methoden, mit denen Datasets auf wiederholbare Weise erstellt werden können, um Experimente zu ermöglichen.

  • Erkennen, warum Deep Learning derzeit beliebt ist
  • Modelle anhand von Verlustfunktionen und Leistungsmesswerten optimieren und auswerten
  • Häufige Probleme rund um maschinelles Lernen minimieren
  • Wiederholbares Training, Auswertungen und Test-Datasets erstellen
Einführung in TensorFlow

Sie erhalten eine Einführung in TensorFlow und die erforderlichen Konzepte und APIs zum Schreiben von verteilten ML-Modellen. Anhand eines TensorFlow-Modells wird erläutert, wie diese Art von Modellen erweitert und leistungsstarke Vorhersagen mit der Cloud Machine Learning Engine erzielt werden können.

  • ML-Modelle in TensorFlow erstellen
  • TensorFlow-Bibliotheken zum Lösen numerischer Probleme verwenden
  • Häufige Fehler und Probleme in TensorFlow-Code beheben
  • tf_estimator zum Erstellen, Trainieren und Auswerten eines ML-Modells verwenden
  • ML-Modelle in grossem Massstab mit Cloud ML Engine trainieren, bereitstellen und aus ihnen Produkte entwickeln
Feature Engineering

Ein zentraler Aspekt beim Erstellen von effektiven ML-Modellen besteht darin, Rohdaten so in Merkmale zu konvertieren, dass ML in der Lage ist, wichtige Eigenschaften von diesen Daten zu erlernen. Sie lernen, Merkmale in TensorFlow darzustellen und zu codieren. Menschliche Einblicke können anhand von benutzerdefinierten Merkmalstransformationen bei ML-Problemen berücksichtigt werden. In diesem Modul erläutern wir die gängigen Arten von Transformationen und wie sie in grossem Massstab implementiert werden.

  • Rohdaten in Merkmalsvektoren umwandeln
  • Neue Merkmalspipelines mit Cloud Dataflow vorverarbeiten und erstellen
  • Merkmalsverknüpfungen (Feature Crossing) erstellen, implementieren und die Auswirkungen bewerten
  • TensorFlow-Transformationscode für Feature Engineering schreiben
Kunst und Wissenschaft des maschinellen Lernens

Maschinelles Lernen ist sowohl eine Kunst, die das Wissen um die richtige Mischung aus Parametern zum Erzielen genauer und generalisierter Modelle umfasst, als auch eine Wissenschaft, die sich mit den Theorien zum Lösen bestimmter Arten von ML-Problemen befasst. In diesem Kurs erläutern wir das Konzept der Regularisierung, den Umgang mit Datendichte, neuronale Netzwerke mit mehreren Klassen, wiederverwendbare Einbettungen sowie viele weitere zentrale Konzepte und Grundsätze.

  • Modellleistung durch die Anpassung von Hyperparametern optimieren
  • Mit neuronalen Netzwerken und optimierter Leistung experimentieren
  • ML-Modellmerkmale durch eingebettete Ebenen erweitern
  • Wiederverwendbaren benutzerdefinierten Modellcode mit Custom Estimator erstellen