Apresentaremos o TensorFlow de baixo nível e trabalharemos com os conceitos e APIs necessários para gravar modelos de aprendizado de máquina distribuídos. Levando em consideração os modelos do TensorFlow, explicaremos como fazer o escalonamento horizontal do treinamento desse modelo e oferecer previsões de alto desempenho com o Cloud Machine Learning Engine. Objetivos do curso: Criar modelos de aprendizado de máquina no TensorFlow Usar as bibliotecas do TensorFlow para solucionar problemas numéricos Resolver problemas e lidar com dificuldades comuns do código do TensorFlow Usar o tf_estimator para criar, treinar e avaliar modelos de aprendizado de máquina Treinar, implantar e produzir modelos de aprendizado de máquina em escala com o Cloud ML Engine
Ce cours fait partie de la Spécialisation Machine Learning with TensorFlow on Google Cloud Platform em Português Brasileiro
Intro to TensorFlow em Português Brasileiro
Offert par
- Software Engineers
Programme du cours : ce que vous apprendrez dans ce cours
Introdução
A ferramenta que utilizaremos para criar programas de aprendizado de máquina é o TensorFlow, que será apresentado neste curso. No primeiro curso, você aprendeu a formular problemas corporativos como problemas de aprendizado de máquina. No segundo, viu como a máquina funciona na prática e como criar conjuntos de dados que podem ser usados no aprendizado de máquina. Agora que seus dados estão prontos, você pode começar a criar programas de aprendizado de máquina.
Principais componentes do TensorFlow
Apresentaremos os principais componentes do TensorFlow. Além disso, você aprenderá na prática a criar programas de aprendizado de máquina. Você poderá fazer a comparação e a gravação de avaliações preguiçosas (lazy evaluation) e programas imperativos, trabalhar com gráficos, sessões e variáveis e, por fim, depurar programas do TensorFlow.
Estimator API
Neste módulo, falaremos sobre a Estimator API.
Como ampliar os modelos do TensorFlow com CMLE
Agora, vamos aprender a treinar seu modelo do TensorFlow na infraestrutura gerenciada do GCP para treinamento e implantação de modelo de aprendizado de máquina.
Resumo
Veja o resumo dos tópicos do TensorFlow abordados até agora no curso. Relembraremos o que foi discutido sobre o código do TensorFlow e a Estimator API, além do escalonamento dos seus modelos com o Cloud Machine Learning Engine.
À propos de Google Cloud
À propos du Spécialisation Machine Learning with TensorFlow on Google Cloud Platform em Português Brasileiro
Foire Aux Questions
Puis-je prévisualiser un cours avant de m'inscrire ?
Oui, vous pouvez prévisualiser la première vidéo et consulter le programme du cours avant de vous inscrire. Vous devez acheter le cours pour accéder au contenu non inclus dans la prévisualisation.
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Si vous décidez de vous inscrire au cours avant la date de début de session, vous aurez accès à toutes les vidéos et lectures du cours. Vous pourrez soumettre des devoirs à partir du début de la session.
À quoi ai-je droit si je m'inscris ?
Une fois que vous êtes inscrit(e) et que votre session commence, vous avez accès à toutes les vidéos et aux autres ressources, y compris les éléments à lire et le forum de discussion du cours. Vous pouvez afficher et soumettre des devoirs pour vous exercer, et terminer les devoirs notés requis pour obtenir une note et un Certificat de Cours.
Quand recevrai-je mon Certificat de Cours ?
Si vous réussissez le cours, votre Certificat de Cours électronique sera ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat de Cours ou l'ajouter à votre profil LinkedIn.
Pourquoi ne puis-je pas assister à ce cours en auditeur libre ?
Ce cours fait partie du nombre restreint de cours proposés par Coursera actuellement disponibles uniquement aux étudiants ayant payé les frais du cours ou bénéficié de l'Aide Financière, lorsqu'elle est disponible.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
