Об этом курсе

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 14 часа на выполнение

Предполагаемая нагрузка: 1 週間の学習(8~10 時間/週)...

Японский

Субтитры: Французский, Португальский (бразильский), Немецкий, Английский, Испанский, Японский...

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 14 часа на выполнение

Предполагаемая нагрузка: 1 週間の学習(8~10 時間/週)...

Японский

Субтитры: Французский, Португальский (бразильский), Немецкий, Английский, Испанский, Японский...

от партнера

Логотип Google Cloud

Google Cloud

Программа курса: что вы изучите

Неделя
1

Неделя 1

7 минуты на завершение

はじめに

7 минуты на завершение
2 видео ((всего 7 мин.))
2 видео
Qwiklabs の概要5мин
3 ч. на завершение

コア TensorFlow

3 ч. на завершение
19 видео ((всего 72 мин.))
19 видео
TensorFlow とは2мин
有向グラフの利点5мин
TensorFlow API の階層3мин
遅延評価4мин
グラフとセッション4мин
テンソルの評価2мин
グラフの可視化2мин
テンソル6мин
変数6мин
ラボの概要: 下位レベルの TensorFlow プログラムの作成16
ラボのソリューション8мин
はじめに5мин
形の問題3мин
形の問題の修正2мин
データ型の問題1мин
全プログラムのデバッグ4мин
概要: 全プログラムのデバッグ15
デモ: 全プログラムのデバッグ3мин
3 практического упражнения
TensorFlow とは2мин
グラフとセッション8мин
コア TensorFlow20мин
Неделя
2

Неделя 2

4 ч. на завершение

Estimator API

4 ч. на завершение
18 видео ((всего 67 мин.))
18 видео
Estimator API3мин
事前作成済み Estimator5мин
デモ: 住宅価格モデル1мин
チェックポインティング1мин
メモリ内データセットのトレーニング2мин
ラボの概要: Estimator API39
ラボのソリューション: Estimator API10мин
Dataset API を使用して大規模なデータセットをトレーニングする8мин
ラボの概要: バッチ処理を使用して TensorFlow の取り込みをスケールアップする35
ラボのソリューション: バッチ処理を使用して TensorFlow の取り込みをスケールアップする5мин
大規模なジョブ、分散トレーニング6мин
TensorBoard によるモニタリング3мин
デモ: TensorBoard UI28
処理入力関数5мин
内容のまとめ: Estimator API1мин
ラボの概要: Estimator API を使用して分散トレーニング TensorFlow モデルを作成する51
ラボのソリューション: Estimator API を使用して分散トレーニング TensorFlow モデルを作成する7мин
1 практическое упражнение
Estimator API18мин
Неделя
3

Неделя 3

2 ч. на завершение

CMLE で TensorFlow モデルをスケールする

2 ч. на завершение
6 видео ((всего 29 мин.))
6 видео
Cloud Machine Learning Engine を使用する理由6мин
モデルをトレーニングする2мин
トレーニング ジョブのモニタリングとデプロイを行う2мин
ラボの概要: Cloud Machine Learning Engine を使用して TensorFlow をスケーリングする50
ラボのソリューション: Cloud Machine Learning Engine を使用して TensorFlow をスケーリングする16мин
1 практическое упражнение
Cloud MLE10мин
2 минуты на завершение

まとめ

2 минуты на завершение
1 видео ((всего 2 мин.))
1 видео
まとめ2мин

Специализация Machine Learning with TensorFlow Google Cloud Platform 日本語版: общие сведения

機械学習とはどのようなもので、どのような問題解決に役立つのでしょうか。候補となるユースケースを機械学習で習得できる形に変換する5段階とは、そしてこれらの段階を省略しないことが重要である理由は何でしょうか。今、なぜニューラル ネットワークに注目が集まっているのでしょうか。 問題を設定し、勾配降下を使用して適切な解決策を見つけ、データセットを作成する方法について学びます。また、Tensorflow でスケーラブルな分散型機械学習モデルを作成して、これらのモデルのトレーニングを拡張し、高性能な予測ができるようになります。さらに、機械学習(ML)がデータから重要な特質を学習したり、人間による分析を問題に取り入れるように、生データを変換します。最後に、正確で一般化されたモデルを生成し、特定の ML 問題を解決する理論について、および適切なパラメータの組み合わせ方を学びます。まず ML 集中型の戦略の構築から始め、その後 Google Cloud Platform のハンズオンラボを通じてモデルのトレーニング、最適化、本稼働まで、ML に関する手順全体を実習します。...
Machine Learning with TensorFlow  Google Cloud Platform 日本語版

Часто задаваемые вопросы

  • Да, до регистрации можно просмотреть первое видео и программу курса. Чтобы получить полный доступ к материалам курса, необходимо оплатить его.

  • Регистрируясь на курс до начала сессии, вы получаете доступ ко всем видеолекциям и материалам для самостоятельного изучения. Задания можно отправлять после начала сессии.

  • 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.

  • Если вы успешного пройдете курс, на странице ваших достижений появится электронный сертификат, который можно распечатать или прикрепить к профилю LinkedIn.

  • Это один из немногих курсов на Coursera, которые предоставляются только на платной основе.

Остались вопросы? Посетите Центр поддержки учащихся.