Was ist maschinelles Lernen und welche Probleme lassen sich damit lösen? Für Google geht es beim maschinellen Lernen (ML) mehr um Logik als nur um Daten. In diesem Kurs erfahren Sie, warum dieser Ansatz beim Erstellen einer Pipeline aus ML-Modellen nützlich ist. Außerdem erläutern wir die fünf Phasen zur Umsetzung eines für ML geeigneten Anwendungsfalls und warum keine dieser Phasen übersprungen werden darf. Zum Abschluss besprechen wir die Verzerrung, die durch ML entstehen kann, und erklären, wie man sie erkennt.

Nach einem ersten Überblick über die Geschichte von ML erfahren Sie in diesem Kurs, weshalb heute mithilfe neuronaler Netzwerke viele Probleme so erfolgreich gelöst werden können. Wir erklären anschließend, wie Sie überwachtes Lernen zur Problemlösung einrichten und mithilfe des Gradientenverfahrens gute Ergebnisse erzielen. Dazu sind Datasets erforderlich, mit denen die Generalisierung möglich ist. In diesem Kurs zeigen wir Ihnen, wie Sie Datasets auf wiederholbare Weise erstellen, um Experimente zu ermöglichen. Kursziele: Erkennen, warum Deep Learning derzeit beliebt ist Modelle anhand von Verlustfunktionen und Leistungsmesswerten optimieren und auswerten Häufige Probleme rund um maschinelles Lernen minimieren Wiederholbare und skalierbare Datasets zum Trainieren, Auswerten und Testen erstellen

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

Sie möchten erfahren, wie Sie die Genauigkeit Ihrer maschinellen Lernmodelle verbessern oder wie Sie herausfinden, welche Datenspalten die nützlichsten Funktionen ergeben? Willkommen zum Feature Engineering mit der Google Cloud Platform. Wir erörtern in diesem Kurs nützliche und nutzlose Funktionen und wie Sie diese für die optimale Nutzung in Ihren maschinellen Lernmodellen vorverarbeiten und umwandeln. In praktischen, interaktiven Labs lernen Sie, Funktionen auszuwählen und mit der Google Cloud Platform vorzuverarbeiten. Unsere Kursleiter präsentieren Ihnen die Code-Lösungen, die zu Referenzzwecken auch öffentlich gemacht werden, während Sie an Ihren eigenen zukünftigen ML-Projekten arbeiten.