Dies ist eine Einführung in die Grundlagen von TensorFlow. Darin werden die Konzepte und APIs erläutert, die Sie zum Schreiben verteilter Modelle für maschinelles Lernen benötigen. Außerdem wird anhand eines TensorFlow-Modells erklärt, wie Sie Modelle in großem Umfang trainieren und mit Cloud Machine Learning Engine effektive Vorhersagen treffen können. Lernziele: Modelle für maschinelles Lernen in TensorFlow erstellen Diverse Herausforderungen mit TensorFlow-Bibliotheken lösen Gängige Codefehler in TensorFlow beheben Mit tf.estimator ein ML-Modell erstellen, trainieren und bewerten ML-Modelle im großen Umfang mit Cloud ML Engine trainieren, bereitstellen und in der Produktion verwenden
Ce cours fait partie de la Spécialisation Machine Learning with TensorFlow on Google Cloud Platform auf Deutsch
Intro to TensorFlow auf Deutsch
Offert par
Programme du cours : ce que vous apprendrez dans ce cours
Semaine
117 minutes pour terminer
Einführung
Zum Schreiben von Programmen für maschinelles Lernen verwenden wir TensorFlow. Dieser Kurs bietet daher eine Einführung in das Tool. Im ersten Kurs haben Sie erfahren, wie Sie geschäftliche Herausforderungen in Aufgaben für das maschinelle Lernen umformulieren. Sie haben gelernt, wie maschinelles Lernen in der Praxis funktioniert und wie Sie verwertbare Datasets erstellen. Nachdem Sie die benötigten Daten erfasst haben, können Sie mit dem Schreiben von ML-Programmen beginnen.
2 vidéos (Total 7 min), 1 lecture
1 lectures
Kursressourcen herunterladen10 min
3 heures pour terminer
Kernkonzept von TensorFlow
Dies ist eine Einführung in die Hauptkomponenten von TensorFlow und Sie lernen in praktischen Übungen, wie Sie ein ML-Programm erstellen. Außerdem vergleichen und schreiben Sie Programme für verzögerte Bewertungen sowie erforderliche Programme, arbeiten mit Graphen, Sitzungen und Variablen und beheben schließlich Fehler in TensorFlow-Programmen.
19 vidéos (Total 72 min), 4 quiz
19 vidéos
Einführung1 min
Was ist TensorFlow?2 min
Vorteile von gerichteten Graphen5 min
TensorFlow API-Hierarchie3 min
Verzögerte Bewertung4 min
Graph und Sitzung4 min
Tensoren auswerten2 min
Graphen visualisieren2 min
Tensoren6 min
Variablen6 min
Lab-Einführung: Low-Level-TensorFlow-Programme schreiben16s
Lösungen für das Lab8 min
Einführung5 min
Formprobleme3 min
Formprobleme lösen2 min
Probleme mit Datentypen1 min
Fehlerbehebung bei Vollprogrammen4 min
Einführung: Fehlerbehebung bei Vollprogrammen15s
Demo: Fehlerbehebung bei Vollprogrammen3 min
3 exercices pour s'entraîner
Was ist TensorFlow?2 min
Graph und Sitzung8 min
Kernkonzept von TensorFlow20 min
Semaine
24 heures pour terminer
Estimator API
In diesem Modul wird die Estimator API erläutert.
18 vidéos (Total 67 min), 4 quiz
18 vidéos
Einführung1 min
Estimator API3 min
Vorgefertigte Estimators5 min
Demo: Modell über Hauspreise1 min
Prüfpunktausführung1 min
Datensätze im Speicher trainieren2 min
Lab-Einführung: Estimator API39s
Lösungen für das Lab: Estimator API10 min
Mit Dataset API große Datensätze trainieren8 min
Lab-Einführung: TensorFlow-Aufnahme mit Batching hochskalieren35s
Lösungen für das Lab: TensorFlow-Aufnahme mit Batching hochskalieren5 min
Große Aufträge, verteiltes Training6 min
Mit TensorBoard überwachen3 min
Demo: TensorBoard-Benutzeroberfläche28s
Bereitstellungseingabefunktion5 min
Zusammenfassung Estimator API1 min
Lab-Einführung: TensorFlow-Modelle für verteiltes Training mit Estimator API erstellen51s
Lösungen für das Lab: TensorFlow-Modelle für verteiltes Training mit Estimator API erstellen7 min
1 exercices pour s'entraîner
Estimator API18 min
Semaine
32 heures pour terminer
TensorFlow-Modelle mit CMLE skalieren
In diesem Modul erfahren Sie, wie Sie Ihr TensorFlow-Modell in der verwalteten Infrastruktur der GCP durch maschinelles Lernen trainieren und bereitstellen.
6 vidéos (Total 29 min), 2 quiz
6 vidéos
Einführung31s
Gründe für die Cloud Machine Learning Engine6 min
Modelle trainieren2 min
Trainingsjobs überwachen und bereitstellen2 min
Lab-Einführung: TensorFlow mit Cloud Machine Learning Engine skalieren50s
Lösungen für das Lab: TensorFlow mit Cloud Machine Learning Engine skalieren16 min
1 exercices pour s'entraîner
Cloud MLE10 min
2 minutes pour terminer
Zusammenfassung
Hier fassen wir die bisher in diesem Kurs behandelten TensorFlow-Themen zusammen. Wir gehen noch einmal auf den Kerncode von TensorFlow und die Estimator API ein. Den Abschluss bildet die Skalierung Ihrer Modelle für maschinelles Lernen mit Cloud Machine Learning Engine.
1 vidéos (Total 2 min)
1 vidéos
Zusammenfassung2 min
Invitez vos amis et obtenez une réduction de 50 %
Partagez votre volonté d'apprendre ! Invitez un ami à commencer un cours et vous obtiendrez chacun une réduction de 50 % sur un cours ou sur le premier mois d'inscription à une Spécialisation lorsque votre ami effectuera un achat.
Voir les conditions
À propos de 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.
À propos du Spécialisation Machine Learning with TensorFlow on Google Cloud Platform auf Deutsch
Was ist maschinelles Lernen und welche Probleme lassen sich damit lösen? Was sind die fünf Phasen zur Umsetzung eines für ML geeigneten Anwendungsfalls und warum darf keine dieser Phasen übersprungen werden? Warum sind neuronale Netze gerade so beliebt? Wie können Sie ein Projekt für betreutes Lernen gestalten und mithilfe des Gradientenverfahrens und sinnvoll erstellten Datasets eine gute, generalisierbare Lösung finden? In diesem Kurs lernen Sie, verteilte Modelle für ML zu schreiben, die in TensorFlow skaliert werden, das Training dieser Modelle horizontal zu skalieren und leistungsstarke Vorhersagen zu erstellen. Wir gehen darauf ein, wie Sie Rohdaten so in Merkmale umwandeln, dass ML wichtige Eigenschaften dieser Daten erlernen kann und menschliche Einblicke in das Problem zulässt. Schließlich lernen Sie, die richtige Mischung aus Parametern zu verwenden, um präzise und generalisierte Modelle zu erstellen, und Sie erhalten eine Einführung in die Theorie zum Lösen bestimmter Arten von ML-Problemen. Auf diese Weise gewinnen Sie ein umfassendes Verständnis von ML. Zuerst erstellen Sie eine auf ML ausgerichtete Strategie. Dann fahren Sie mit Modelltraining, Optimierung und Produktentwicklung fort. Hierbei helfen Ihnen praxisorientierte Labs der Google Cloud Platform.
>>> Mit Ihrer Teilnahme an dieser Spezialisierung stimmen Sie den Nutzungsbedingungen von Qwiklabs zu, die Sie in den FAQs und unter folgendem Link finden: https://qwiklabs.com/terms_of_service <<<
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.