Bringing a machine learning model into the real world involves a lot more than just modeling. This Specialization will teach you how to navigate various deployment scenarios and use data more effectively to train your model.
Этот курс входит в специализацию ''Специализация TensorFlow: Data and Deployment'
от партнера
Специализация TensorFlow: Data and Deploymentdeeplearning.aiОб этом курсе
Недавно просмотрено: 35,391
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 4 из 4 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
We recommend taking Course 1 of the TensorFlow in Practice Specialization first, or have basic familiarity with building models in TensorFlow.
Прибл. 12 часов на выполнение
Английский
Субтитры: Английский
Приобретаемые навыки
TensorFlow ServingMachine Learningfederated learningTensorFlow HubTensorBoard
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 4 из 4 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
We recommend taking Course 1 of the TensorFlow in Practice Specialization first, or have basic familiarity with building models in TensorFlow.
Прибл. 12 часов на выполнение
Английский
Субтитры: Английский
от партнера
deeplearning.ai
Founded by Andrew Ng, deeplearning.ai is on a mission to make world-class AI education accessible to people around the globe so that we can all benefit from an AI-powered future.
Программа курса: что вы изучите
1 ч. на завершение
TensorFlow Extended
1 ч. на завершение
12 видео ((всего 21 мин.)), 5 материалов для самостоятельного изучения, 1 тест
12 видео
Introduction24
Serving3мин
Installing TF Serving1мин
TensorFlow Serving summary30
Setup for serving2мин
Serving1мин
Predictions41
Passing data to serving1мин
Getting the predictions back1мин
Running the colab2мин
Complex model2мин
5 материалов для самостоятельного изучения
Downloading the Coding Examples and Exercises10мин
Installation link10мин
TF server running in colab10мин
Serving with Fashion MNIST10мин
Ungraded Exercise - Serving with MNIST10мин
1 практическое упражнение
Week 1 Quiz
5 ч. на завершение
Sharing pre-trained models with TensorFlow Hub
5 ч. на завершение
11 видео ((всего 20 мин.)), 7 материалов для самостоятельного изучения, 2 тестов
11 видео
Introduction to TF Hub2мин
Transfer learning1мин
Inference1мин
Module storage2мин
Text based models1мин
Word embeddings1мин
Experimenting with embeddings1мин
Colab1мин
Classify cats and dogs1мин
Transfer learning1мин
7 материалов для самостоятельного изучения
Tensorflow Hub link10мин
Link to saved models10мин
Colab10мин
Pre-trained Word Embeddings10мин
Text Classification Colab10мин
MobileNet model details10мин
Colab10мин
1 практическое упражнение
Week 2 Quiz
5 ч. на завершение
Tensorboard: tools for model training
5 ч. на завершение
10 видео ((всего 16 мин.)), 2 материалов для самостоятельного изучения, 2 тестов
10 видео
Tensorboard scalars1мин
Callbacks42
Histograms59
Publishing model details1мин
Local tensorboard2мин
Looking at graphics in a dataset2мин
More than one image56
Confusion matrix2мин
Multiple callbacks1мин
2 материала для самостоятельного изучения
tensorboard.dev10мин
Colab10мин
1 практическое упражнение
Week 3 Quiz4мин
1 ч. на завершение
Federated Learning
1 ч. на завершение
9 видео ((всего 22 мин.)), 1 материал для самостоятельного изучения, 1 тест
9 видео
Training on mobile devices2мин
Data at the edge2мин
How it works2мин
Maintaining user privacy3мин
Masking2мин
APIs for Federated Learning2мин
Example of federated learning2мин
Outro59
1 материал для самостоятельного изучения
Colab10мин
1 практическое упражнение
Week 4 Quiz30мин
Рецензии
Лучшие отзывы о курсе ADVANCED DEPLOYMENT SCENARIOS WITH TENSORFLOW
от партнера DR6 июня 2020 г.
Enjoyed this specialization as much as I did the Tensorflow in practice. Thank you Laurence Moroney and Andrew Ng for getting these cool topics to all of us, so we can contribute back to community.
от партнера FL19 мар. 2020 г.
The first week is very useful. Tensorhub seems not helpful in a private company setting.\n\nI wish they talked about tf estimators which is also a common way to deploy models in SageMaker.
от партнера SM10 апр. 2020 г.
This topic seems to be very important but the content is not as good as rest of the weeks content, more explanations and more simple examples could have helped
от партнера DB17 мая 2020 г.
Great work and I highly recommend this course/specialization! Good job of inserting needed edits to update what's happening in real time.
Специализация TensorFlow: Data and Deployment: общие сведения
Continue developing your skills in TensorFlow as you learn to navigate through a wide range of deployment scenarios and discover new ways to use data more effectively when training your machine learning models.
In this four-course Specialization, you’ll learn how to get your machine learning models into the hands of real people on all kinds of devices. Start by understanding how to train and run machine learning models in browsers and in mobile applications. Learn how to leverage built-in datasets with just a few lines of code, learn about data pipelines with TensorFlow data services, use APIs to control data splitting, process all types of unstructured data and retrain deployed models with user data while maintaining data privacy. Apply your knowledge in various deployment scenarios and get introduced to TensorFlow Serving, TensorFlow, Hub, TensorBoard, and more.
Industries all around the world are adopting Artificial Intelligence. This Specialization from Laurence Moroney and Andrew Ng will help you develop and deploy machine learning models across any device or platform faster and more accurately than ever.
This Specialization builds upon skills learned in the TensorFlow in Practice Specialization. We recommend learners complete that Specialization prior to enrolling in TensorFlow: Data and Deployment.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
- Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
- Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Is financial aid available?
Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке "Финансовая помощь" слева под кнопкой "Зарегистрироваться". Заполните форму заявления. Если его примут, вы получите уведомление. Обратите внимание: этот шаг необходимо выполнить для каждого курса специализации, в том числе для дипломного проекта. Подробнее
Получу ли я зачеты в университете за прохождение курса?
Этот курс не приравнивается к зачету в университетах, однако некоторые вузы принимают сертификаты на свое усмотрение. Дополнительную информацию уточняйте в своем деканате. Онлайн-дипломы и сертификаты Mastertrack™ от Coursera позволяют получить зачеты.
Остались вопросы? Посетите Центр поддержки учащихся.
