Специализация Machine Learning with TensorFlow on Google Cloud em Português Brasileiro

"O que é machine learning e que tipos de problemas ele pode resolver? A abordagem de machine learning do Google é um pouco diferente. Ela se concentra na lógica, e não apenas nos dados. Vamos discutir por que essa abordagem é útil para os cientistas de dados durante a criação de um pipeline de modelos de machine learning.

Depois vamos falar sobre as cinco fases da conversão de um possível caso de uso de machine learning e ver a importância de não pular essas fases. Por fim, vamos conhecer os vieses que podem ser amplificados pelo machine learning e aprender a identificá-los. >>> Ao se inscrever nesta especialização, você concorda com os Termos de Serviço do Qwiklabs, conforme estabelecidos na seção de perguntas frequentes em: https://qwiklabs.com/terms_of_service <<<"

Começando pela história do machine learning, vamos discutir por que as redes neurais hoje funcionam com vários problemas de ciência de dados. Depois vamos definir um problema de aprendizado supervisionado e descobrir uma boa solução usando o gradiente descendente. Isso envolve criar conjuntos de dados que permitem generalização. Vamos falar sobre os métodos que devemos usar para fazer isso de modo repetível e que viabilize a experimentação.

Objetivos do curso: Identificar por que o aprendizado profundo é comum atualmente Otimizar e avaliar os modelos usando funções de perda e métricas de desempenho Mitigar problemas comuns que surgem no machine learning Criar conjuntos de dados de treinamento, avaliação e teste repetíveis 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 saber como melhorar a acurácia dos modelos de ML e quais colunas de dados são os atributos mais úteis? Neste curso Feature Engineering, abordaremos os atributos bons e ruins, bem como o pré-processamento e a transformação deles para otimizar os modelos.