機械学習とはどのようなもので、どのような問題の解決に役立つのでしょうか。Google では機械学習について、データだけでなくロジックの面からも独自の視点で考えています。こうした捉え方が、機械学習モデルのパイプライン構築を考えるうえでなぜ有効なのか説明します。次に、候補となるユースケースを機械学習で学習できる形に変換する 5 つの段階について説明し、こうした段階を省略しないことの重要性について論じます。最後に、機械学習が助長する可能性のある偏見の認識と、それを識別する方法について説明します。

機械学習の歴史を皮切りに、ニューラル ネットワークがさまざまな問題でうまく機能している理由をご紹介します。次に、教師あり学習の問題を設定し、勾配降下法を使用して適切な解決策を見つける方法について説明します。これには、一般化が可能になるデータセットの作成も含まれます。実験に対応するため、データセットを繰り返し作成できる方法について解説します。 コースの目標: ディープ ラーニングが注目を集めている理由を知る 損失関数とパフォーマンス指標を使用して、モデルを最適化および評価する 機械学習で発生しがちな一般的な問題を軽減する 再現可能なスケーラブル トレーニング用、評価用、テスト用データセットを作成する

低レベルの TensorFlow を導入し、分散型機械学習モデルを作成するために必要なコンセプトと API を開発します。TensorFlow モデルのトレーニングをスケールアウトし、Cloud Machine Learning Engine を使った高性能な予測を提供する方法について説明します。 コースの目的: TensorFlow で機械学習モデルを作成する TensorFlow ライブラリを使用して数値の問題を解決する TensorFlow コードによくある問題のトラブルシューティングとデバッグを行う tf.estimator を使用して ML モデルを作成、トレーニング、評価する Cloud ML Engine を使用して ML モデルの大規模なトレーニング、デプロイ、本稼働を行う

機械学習モデルの精度を高める方法や、特に有効な特徴を抽出するためのデータ列の見極め方を知りたい人におすすめのコースです。Feature Engineering on Google Cloud Platform では、良い特徴と悪い特徴の要素について、また、機械学習モデルで最適に使用できるように、特徴を前処理して変換する方法についても取り上げます。 このコースでは実践演習として、インタラクティブなラボを使用し、Google Cloud Platform 内で特徴を選択して前処理を行います。インストラクターが解答のコードについて説明します。解答のコードは、今後、皆さんが自身の ML プロジェクトに取り組む際に参照できるよう、一般公開される予定です。