Presentaremos TensorFlow de bajo nivel y abordaremos las API y los conceptos necesarios para poder escribir modelos de aprendizaje automático distribuido. Con un modelo de TensorFlow, explicaremos cómo escalar de manera horizontal el entrenamiento de ese modelo y ofreceremos predicciones de alto rendimiento mediante Cloud Machine Learning Engine.
Objetivos del curso:
Crear modelos de aprendizaje automático en TensorFlow
Usar las bibliotecas de TensorFlow para resolver problemas numéricos
Solucionar problemas y depurar errores de código comunes de TensorFlow
Usar tf_estimator para crear, entrenar y evaluar un modelo de AA
Entrenar, implementar y llevar a producción modelos de AA a gran escala con Cloud ML Engine
Этот курс входит в специализацию ''Специализация Machine Learning with TensorFlow on Google Cloud Platform en Español'
Intro to TensorFlow en Español
от партнера
Программа курса: что вы изучите
Неделя
1Introducción
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.
2 видео ((всего 7 мин.))
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.
19 видео ((всего 72 мин.)), 4 тестов
19 видео
Introducción1мин
¿Qué es TensorFlow?2мин
Beneficios de un grafo dirigido5мин
Jerarquía de la API de TensorFlow3мин
Evaluación perezosa4мин
Gráficos y sesiones4мин
Cómo evaluar un tensor2мин
Cómo visualizar un grafo2мин
Tensores6мин
Variables6мин
Introducción al lab Escritura de programas de TensorFlow de nivel bajo16
Solución del lab8мин
Introducción5мин
Problemas de forma3мин
Cómo corregir problemas de forma2мин
Problemas de tipos de datos1мин
Depuración de programas completos4мин
Introducción a la depuración de programas completos15
Demostración: Depuración de programas completos3мин
3 практического упражнения
¿Qué es TensorFlow?2мин
Gráfico y sesión8мин
Aspectos básicos de TensorFlow20мин
Неделя
2API de Estimator
En este módulo, aprenderá sobre la API de Estimator.
18 видео ((всего 67 мин.)), 4 тестов
18 видео
Introducción1мин
API de Estimator3мин
Estimadores prediseñados5мин
Demostración: Modelo de predicción de precios de viviendas1мин
Controles1мин
Entrenamiento de conjuntos de datos en la memoria2мин
Introducción al lab API de Estimator39
Solución del lab API de Estimator10мин
Entrenamiento de conjuntos de datos grandes con la API de Dataset8мин
Introducción al lab Cómo escalar la transferencia de TensorFlow mediante lotes35
Solución del lab Cómo escalar la transferencia de TensorFlow mediante lotes5мин
Trabajos grandes y entrenamiento distribuido6мин
Supervisión con TensorBoard3мин
Demostración de la IU de TensorBoard28
Función de entradas de entregas5мин
Resumen: API de Estimator1мин
Introducción al lab Creación de un modelo de TensorFlow para entrenamiento distribuido con la API de Estimator51
Solución del lab: Creación de un modelo de TensorFlow para entrenamiento distribuido con la API de Estimator7мин
1 практическое упражнение
Estimator API18мин
Неделя
3Escalamiento 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.
6 видео ((всего 29 мин.)), 2 тестов
6 видео
¿Por qué usar Cloud Machine Learning Engine?6мин
Entrenamiento de un modelo2мин
Implementación y supervisión de trabajos de entrenamiento2мин
Introducción al lab Cómo escalar TensorFlow con Cloud Machine Learning Engine50
Solución del lab Cómo escalar TensorFlow con Cloud Machine Learning Engine16мин
1 практическое упражнение
Cuestionario: Cloud MLE10мин
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.
1 видео ((всего 2 мин.))
1 видео
Resumen2мин
О Google Cloud
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.
О специализации ''Machine Learning with TensorFlow on Google Cloud Platform en Español'
¿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.
>>> Al inscribirse en esta especialización acepta los Términos de Servicio de Qwiklabs según lo establecido en las Preguntas Frecuentes, disponibles en el apartado: https://qwiklabs.com/terms_of_service <<<
Часто задаваемые вопросы
Можно ли ознакомиться с курсом до регистрации?
Да, до регистрации можно просмотреть первое видео и программу курса. Чтобы получить полный доступ к материалам курса, необходимо оплатить его.
Когда я получу доступ к лекциям и заданиям?
Регистрируясь на курс до начала сессии, вы получаете доступ ко всем видеолекциям и материалам для самостоятельного изучения. Задания можно отправлять после начала сессии.
Что я получу, зарегистрировавшись на курс?
После регистрации на курс и начала сессии вы получаете доступ ко всем видео и другим ресурсам курса, включая материалы для самостоятельного изучения и форумы обсуждений. Вы сможете выполнять тренировочные, а также сдавать обязательные оцениваемые задания и получить сертификат о прохождении курса.
Когда я получу сертификат о прохождении курса?
Если вы успешного пройдете курс, на странице ваших достижений появится электронный сертификат, который можно распечатать или прикрепить к профилю LinkedIn.
Почему я не могу прослушать этот курс?
Это один из немногих курсов на Coursera, которые предоставляются только на платной основе.
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.
Coursera делает лучшее в мире образование доступным каждому, предлагая онлайн-курсы от ведущих университетов и организаций.
© Coursera Inc., 2019 Все права защищены.
