Machine Learning on Google Cloud
¿Qué es el aprendizaje automático?, ¿qué tipos de problemas puede solucionar?, ¿por qué las redes neuronales son tan populares?, ¿cómo puede mejorar la calidad de los datos y realizar análisis de datos exploratorio?, ¿cómo puede establecer un problema de aprendizaje supervisado y encontrar una buena solución que se pueda generalizar usando un descenso de gradientes?
Aprenda cómo escribir modelos de aprendizaje automático distribuido que escalen en Tensorflow 2.x. Realice ingeniería de atributos en BQML y Keras. Aprenda cómo evaluar curvas de pérdida y realizar ajustes de hiperparámetros. Entrenará modelos a gran escala con AI Platform de Cloud.
Objetivos
Enmarcar un caso de uso empresarial como un problema de aprendizaje automático
Describir cómo mejorar la calidad de los datos
Realizar análisis de datos exploratorio
Desarrollar y entrenar modelos de aprendizaje supervisados
Optimizar y evaluar modelos mediante funciones de pérdida y métricas de rendimiento
Crear conjuntos de datos de entrenamiento, evaluación y prueba que sean repetibles y escalables
Implementar modelos de aprendizaje automático usando Keras y TensorFlow 2.x
Comprender el impacto de los parámetros de descenso de gradientes en la exactitud, velocidad de entrenamiento, dispersión y generalización
Representar y transformar los atributos
Entrenar modelos a gran escala con AI Platform
data
Disponible en formato e-learning
Disponible en formato presencial
Disponible en formato a distancia
Subvención disponible
A través de Fundae, cumpliendo requisitos.
Duración
35 horas
- Dificultad 50%
- Nivel alcanzado 80%
Dirigido a
Conocimientos requeridos
Temario
Módulo 1: Cómo hace Google el aprendizaje automático
Desarrolle una estrategia de datos en torno al aprendizaje automático.
Examine los casos de uso que luego se reinventan a través de una lente ML.
Reconozca los sesgos que ML puede amplificar.
Aproveche las herramientas y el entorno de Google Cloud Platform para realizar ML.
Aprenda de la experiencia de Google para evitar errores comunes.
Realice tareas de ciencia de datos en cuadernos colaborativos en línea.
Invoca modelos de AA previamente entrenados desde Cloud AI Platform.
Módulo 2: Lanzamiento al aprendizaje automático
Describe cómo mejorar la calidad de los datos.
Realice análisis de datos exploratorios.
Construir y entrenar modelos de aprendizaje supervisado.
Optimice y evalúe modelos utilizando funciones de pérdida y métricas de rendimiento.
Mitiga los problemas comunes que surgen en el aprendizaje automático.
Cree conjuntos de datos de prueba, evaluación y capacitación repetibles y escalables.
Módulo 3: Introducción a TensorFlow 2.x
Cree modelos de aprendizaje automático de TensorFlow 2.xy Keras.
Describe los componentes clave de Tensorflow 2.x.
Utilice la biblioteca tf.data para manipular datos y grandes conjuntos de datos.
Utilice las API secuenciales y funcionales de Keras para la creación de modelos simple y avanzada.
Entrene, implemente y produzca modelos de AA a escala con Cloud AI Platform.
Módulo 4: Ingeniería de funciones
Compare los aspectos clave requeridos de una buena función.
Combine y cree nuevas combinaciones de funciones mediante cruces de funciones.
Realice ingeniería de funciones con BQML, Keras y TensorFlow 2.x.
Comprende cómo preprocesar y explorar funciones con Cloud Dataflow y Cloud Dataprep.
Comprende y aplica cómo TensorFlow transforma las funciones.
Módulo 5: El arte y la ciencia del AA
Optimice el rendimiento del modelo con el ajuste de hiperparámetros.
Experimente con redes neuronales y ajuste el rendimiento.
Mejore las funciones del modelo ML con capas integradas.
Solicita información del curso
Comentarios recientes