Специализация Machine Learning with TensorFlow on Google Cloud Platform em Português Brasileiro

O que é aprendizado de máquina e que tipos de problema ele pode resolver? O Google pensa no aprendizado de máquina de uma maneira um pouco diferente. Ele se concentra mais na lógica, em vez de apenas em dados. Discutimos por que esse modelo é útil quando pensamos na criação de canais de modelos de aprendizado de máquina. Em seguida, falamos sobre as cinco fases da conversão de um possível caso de uso a ser realizado por aprendizado de máquina e vemos a importância de não ignorar essas fases. Finalizamos com a identificação das tendências que podem ser ampliadas pelo aprendizado de máquina e como reconhecer isso.

Discutiremos por que hoje as redes neurais funcionam tão bem para lidar com vários problemas, começando pela história do aprendizado de máquina. Em seguida, falaremos sobre como configurar um problema de aprendizado supervisionado e encontrar uma boa solução com gradiente descendente. Isso envolve a criação de conjuntos de dados que permitem a generalização. Esses métodos serão abordados de maneira didática para auxiliar na realização dos testes.

Objetivos do curso: Identificar por que o aprendizado profundo é mais usado hoje em dia Otimizar e avaliar modelos usando funções de perda e métricas de desempenho Reduzir problemas comuns que surgem no aprendizado de máquina Criar conjuntos de dados de treinamento, avaliação e testes que podem ser repetidos e escalonáveis

O objetivo deste curso é aproveitar a flexibilidade e a facilidade de uso do TensorFlow 2.x e do Keras para criar, treinar e implantar modelos de machine learning. Você aprenderá sobre a hierarquia da API TensorFlow 2.x e conhecerá os principais componentes do TensorFlow nos exercícios práticos. Mostraremos como trabalhar com conjuntos de dados e colunas de atributos. Você aprenderá a projetar e criar um pipeline de entrada de dados do TensorFlow 2.x. Você terá uma experiência prática com o carregamento de dados CSV, matrizes numpy, dados de texto e imagens usando o tf.Data.Dataset e com a criação de colunas de atributos numéricas, categóricas, em bucket e com hash.

Apresentaremos as APIs Keras Sequential e Keras Functional para mostrar como criar modelos de aprendizado profundo. Abordaremos as funções de ativação, perda e otimização. Nos laboratórios práticos dos notebooks do Jupyter, você poderá criar modelos de machine learning de regressão linear básica e de regressão logística básica e avançada. Você aprenderá a treinar, implantar e produzir modelos de machine learning em escala com o AI Platform do Cloud.

Quer aprender a melhorar a precisão dos seus modelos de aprendizado de máquina? Que tal descobrir quais colunas de dados criam os atributos mais úteis? Damos as boas-vindas ao curso Feature Engineering no Google Cloud Platform. Falaremos sobre a diferença entre atributos bons e ruins, além de como pré-processar e transformar essas variáveis para o uso ideal nos seus modelos de aprendizado de máquina.

Nesse curso, você fará laboratórios interativos para ver na prática como escolher atributos e fazer o pré-processamento no Google Cloud Platform. Nossos instrutores apresentarão as soluções de código em detalhes, que também serão disponibilizadas para usar como referência nos seus próprios projetos de aprendizado de máquina.