Trophy Arki1, Google Cloud Authorized Training Partner of the year 2019 in Latin America

Machine Learning on Google Cloud

¿Qué es el aprendizaje automático y qué tipo de problemas puede resolver? ¿Cuáles son las cinco fases desde la conversión de un posible caso de uso hasta ser driven by machine learning y por qué es importante que no se omitan las fases? ¿Por qué las redes neuronales son tan populares ahora? ¿Cómo puede configurar un problema de aprendizaje supervisado y encontrar una solución buena y generalizable utilizando el descenso de gradiente y una forma bien pensada para crear conjuntos de datos?
 
Aprenda a escribir modelos distribuidos de aprendizaje automático que se escalen en Tensorflow, escale la capacitación de esos modelos. y ofrecen predicciones de alto rendimiento. Convierta los datos en bruto en características de una manera que le permita a ML aprender características importantes de los datos y brindar una visión humana para abordar el problema. Finalmente, aprenda a incorporar la combinación correcta de parámetros que produzca modelos precisos y generalizados y el conocimiento de la teoría para resolver tipos específicos de problemas de LD. Experimentará con ML de principio a fin, comenzando por construir una estrategia centrada en ML y progresando hacia la capacitación, optimización y producción de modelos con laboratorios prácticos utilizando Google Cloud Platform.

Objetivos

Este curso enseña a los participantes las siguientes habilidades:

  • Think strategically and analytically about ML as a business process and consider the fairness implications with respect to ML
  • How ML optimization works and how various hyperparameters affect models during optimization
  • How to write models in TensorFlow using both pre-made estimators as well as custom ones and train them locally or in Cloud AI Platform
  • Why feature engineering is critical to success and how you can use various technologies including Cloud Dataflow and Cloud Dataprep

Público

Esta clase está dirigida a la siguiente audiencia:
  • Aspiring machine learning data scientists and engineers. 
  • Machine learning scientists, data scientists, and data analysts who want exposure to machine learning in the cloud using TensorFlow 2.x and Keras.
  • Data engineers.

Prerrequisitos

Para aprovechar al máximo este curso, los participantes deben tener:
  • Completed Google Cloud Fundamentals: Big Data & Machine Learning OR  have equivalent experience.
  • Basic proficiency with common query language such as SQL
  • Experience with data modeling, extract, transform, load activities
  • Developing applications using a common programming language such as Python
  • Familiarity with basic statistics

Duración

40 horas (5 dias)

Inversión

Vea el valor actualizado y los próximos cierres para las clases abiertas en nuestra página de registro.
Si está interesado en una clase cerrada para su empresa, contáctenos.
Dependencias de otros cursos y certificaciones con el curso de Machine Learning on Google Cloud
Dependencias de otros cursos y certificaciones con el curso de Machine Learning on Google Cloud

Resumen del curso

El curso incluye presentaciones, demostraciones y laboratorios prácticos.
  • Develop a data strategy around machine learning.
  • Examine use cases that are then reimagined through an ML lens.
  • Recognize biases that ML can amplify.
  • Leverage Google Cloud Platform tools and environment to do ML.
  • Learn from Google’s experience to avoid common pitfalls.
  • Carry out data science tasks in online collaborative notebooks.
  • Invoke pre-trained ML models from Cloud Datalab.
  • Identify why deep learning is currently popular.
  • Optimize and evaluate models using loss functions and performance metrics.
  • Mitigate common problems that arise in machine learning.
  • Create repeatable and scalable training, evaluation, and test datasets.
  • Create machine learning models in TensorFlow.
  • Use the TensorFlow libraries to solve numerical problems.
  • Troubleshoot and debug common TensorFlow code pitfalls.
  • Use tf_estimator to create, train, and evaluate an ML model.
  • Train, deploy, and productionalize ML models at scale with Cloud ML Engine.
  • Turn raw data into feature vectors.
  • Preprocess and create new feature pipelines with Cloud Dataflow.
  • Create and implement feature crosses and assess their impact.
  • Write TensorFlow Transform code for feature engineering.
  • Optimize model performance with hyperparameter tuning.
  • Experiment with neural networks and fine-tune performance.
  • Enhance ML model features with embedding layers.
  • Create reusable custom model code with the Custom Estimator.