Serverless Machine Learning with Tensorflow on Google Cloud auf Deutsch
***Wir möchten Sie darüber informieren, dass die Spezialisierung "Data Engineer, Big Data and ML on Google Cloud auf Deutsch" am 10. November 2020 geschlossen und nicht mehr angeboten wird.*** In diesem einwöchigen On-Demand-Intensivkurs erhalten Teilnehmer eine praxisorientierte Einführung in das Entwerfen und Erstellen von Modellen für das maschinelle Lernen (ML) mithilfe der Google Cloud Platform.
Monthly Subscription Starting at AED 99 + VAT
- Level Professional
- Duration 15 hours
- Course by Google Cloud
-
Offered by
About
***Wir möchten Sie darüber informieren, dass die Spezialisierung "Data Engineer, Big Data and ML on Google Cloud auf Deutsch" am 10. November 2020 geschlossen und nicht mehr angeboten wird.*** In diesem einwöchigen On-Demand-Intensivkurs erhalten Teilnehmer eine praxisorientierte Einführung in das Entwerfen und Erstellen von Modellen für das maschinelle Lernen (ML) mithilfe der Google Cloud Platform. In Präsentationen, Demos und praxisorientierten Labs lernen die Teilnehmer ML- und TensorFlow-Konzepte kennen und entwickeln ML-Modelle, die sie anschließend auswerten und produktionsreif machen. ZIELE In diesem Kurs werden die folgenden Fähigkeiten vermittelt: ● Anwendungsfälle für maschinelles Lernen erkennen ● ML-Modelle mit TensorFlow erstellen ● Skalier- und bereitstellbare ML-Modelle mit Cloud ML erstellen ● Bedeutung der Datenvorverarbeitung und der Kombination von Features verstehen ● Fortgeschrittene ML-Konzepte in Modelle einbinden ● Trainierte ML-Modelle produktionsreif machen VORAUSSETZUNGEN Für maximale Lernerfolge sollten die Teilnehmer folgende Voraussetzungen erfüllen: ● Abschluss des Kurses "Google Cloud Platform Fundamentals: Big Data & Machine Learning" ODER entsprechende Erfahrung auf dem Gebiet ● Grundkenntnisse in gängigen Abfragesprachen wie SQL ● Kenntnisse in Datenmodellierung, Extraktion, Transformation und Ladeaktivitäten ● Entwicklung von Anwendungen mit einer gängigen Programmiersprache wie Python ● Vertrautheit mit maschinellem Lernen und/oder Statistik Hinweis zum Google-Konto: • In China sind Google-Dienste derzeit nicht verfügbar.Modules
Willkommen zum Kurs
-
1
Videos
-
1
Readings
1
Videos
- Willkommen zum Kurs
1
Readings
- Kursressourcen herunterladen
Überlegungen zum maschinellen Lernen
-
1
Videos
-
1
Quiz
1
Videos
- Überlegungen zum maschinellen Lernen
1
Quiz
- ML-Kurs – Vorabfragen
Was ist maschinelles Lernen (ML)?
-
5
Videos
5
Videos
- Übersicht über das maschinelle Lernen (ML)
- Arten von ML
- Die ML-Pipeline
- Varianten des ML-Modells
- ML-Problem eingrenzen
Maschinelles Lernen ausprobieren
-
6
Videos
6
Videos
- Maschinelles Lernen (ML) ausprobieren
- Optimierung
- Sichere Testumgebung für neuronale Netzwerke
- Funktionen kombinieren
- Feature Engineering
- Bildmodelle
Effektives maschinelles Lernen
-
5
Videos
5
Videos
- Effektives ML
- Was macht ein gutes Dataset aus?
- Fehlermesswerte
- Genauigkeit
- Genauigkeit und Trefferquote
ML-Datasets erstellen
-
3
Videos
-
1
Quiz
3
Videos
- Datasets für maschinelles Lernen erstellen
- Datasets aufteilen
- Python-Notebooks
1
Quiz
- Quiz zu Modul 1
Lab: ML-Datasets erstellen
-
2
Videos
-
1
ExternalTool
1
External Tool
- Lab 1: Dataset untersuchen, ML-Datasets und Benchmark erstellen
2
Videos
- Übersicht zum Lab "Datasets für maschinelles Lernen erstellen"
- Zusammenfassung zum Lab "Datasets für maschinelles Lernen erstellen"
ML-Modelle mit TensorFlow erstellen – Einführung
-
1
Videos
1
Videos
- Überblick über Modul 2
Einführung in TensorFlow
-
2
Videos
2
Videos
- Was ist TensorFlow?
- Core TensorFlow
Lab: Einführung in TensorFlow
-
2
Videos
-
1
ExternalTool
1
External Tool
- Lab 2: Einführung in TensorFlow
2
Videos
- Übersicht zum Lab "Einführung in TensorFlow"
- Zusammenfassung zum TensorFlow-Lab
TensorFlow für maschinelles Lernen
-
1
Videos
1
Videos
- Estimator API
Lab: Maschinelles Lernen mit Estimator
-
2
Videos
-
1
ExternalTool
1
External Tool
- Lab 3: Maschinelles Lernen mit tf.estimator
2
Videos
- Maschinelles Lernen mit tf.estimator
- Zusammenfassung zum Lab "Estimator"
Mehr Flexibilität erreichen
-
1
Videos
1
Videos
- Effektives ML ermöglichen
Lab: Refaktorierung zum Hinzufügen von Stapelverarbeitung und Funktionserstellung
-
2
Videos
-
1
ExternalTool
1
External Tool
- Lab 4: Refaktorierung zum Hinzufügen von Stapelverarbeitung und Funktionserstellung
2
Videos
- Einführung zum Lab "Refaktorierung zum Hinzufügen von Stapelverarbeitung und Funktionserstellung"
- Zusammenfassung zum Lab "Refaktorierung"
Trainieren und bewerten
-
2
Videos
2
Videos
- Trainieren und Bewerten
- Monitoring
Lab: Verteiltes Training und Monitoring
-
2
Videos
-
1
Quiz
-
1
ExternalTool
1
External Tool
- Lab 5: Verteiltes Training und Monitoring
2
Videos
- Einführung zum Lab "Verteiltes Training und Monitoring"
- Zusammenfassung zum Lab "Verteiltes Training und Monitoring"
1
Quiz
- Quiz zu Modul 2
ML-Modelle mit Cloud ML Engine skalieren – Einführung
-
1
Videos
1
Videos
- Überblick über Modul 3
Vorteile der Cloud ML Engine
-
2
Videos
2
Videos
- Vorteile der Cloud ML Engine
- Arbeitsablauf bei der Entwicklung
TensorFlow-Modell packen
-
2
Videos
-
1
Quiz
2
Videos
- Trainingspakete erstellen
- TensorFlow bereitstellen
1
Quiz
- Quiz für Modul 3
Lab: ML mit Cloud ML Engine hochskalieren
-
2
Videos
-
1
ExternalTool
1
External Tool
- Lab 6: ML mit Cloud ML Engine hochskalieren
2
Videos
- Lab: ML hochskalieren
- Zusammenfassung zum Lab "ML hochskalieren"
Feature Engineering – Einführung
-
1
Videos
1
Videos
- Überblick über Modul 4
ML-Modelle mit Feature Engineering verbessern
-
10
Videos
10
Videos
- Gute Funktionen
- Kausalität
- Numerisch
- Ausreichende Beispiele
- Von den Rohdaten zur Funktion
- Kategoriale Merkmale
- Funktionsverknüpfungen
- Bucketizing
- Breit und tief
- Einsatzbereiche für Feature Engineering
Lab: Feature Engineering
-
2
Videos
-
1
ExternalTool
1
External Tool
- Lab 7: Feature Engineering
2
Videos
- Überblick zum Lab "Feature Engineering"
- Zusammenfassung zum Lab "Feature Engineering"
Hyperparameter-Abstimmung
-
1
Videos
1
Videos
- Hyperparameter-Abstimmung + Demo
Weitere Informationen
-
2
Videos
-
1
Quiz
2
Videos
- ML-Abstraktionsebenen
- Fazit
1
Quiz
- Quiz zu Modul 4
Auto Summary
Discover the world of serverless machine learning with the "Serverless Machine Learning with TensorFlow on Google Cloud" course, specially designed for German-speaking data science and AI enthusiasts. This intensive, one-week on-demand course, offered by Coursera, equips learners with practical skills to design and build machine learning models using Google Cloud Platform (GCP). Guided by expert instructors, participants will delve into machine learning and TensorFlow concepts through comprehensive presentations, demonstrations, and hands-on labs. The course emphasizes the creation, evaluation, and deployment of scalable ML models, ensuring they are ready for production. Key learning outcomes include: - Identifying machine learning use cases - Building ML models with TensorFlow - Creating scalable ML models with Cloud ML - Understanding data preprocessing and feature engineering - Integrating advanced ML concepts into models - Preparing trained ML models for production To maximize learning, participants should ideally have completed "Google Cloud Platform Fundamentals: Big Data & Machine Learning" or possess equivalent experience. Proficiency in SQL, data modeling, ETL activities, application development with Python, and familiarity with machine learning or statistics are also recommended. Offered under Coursera's Starter and Professional subscriptions, this professional-level course spans 900 minutes, providing an in-depth and immersive learning experience for those aiming to advance their skills in serverless machine learning on Google Cloud. Note: Google services are not available in China.
Google Cloud Training