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

Machine Learning on Google Cloud

O que é aprendizado de máquina e que tipos de problemas ele pode resolver? Quais são as cinco fases da conversão de um possível caso de uso a ser driven by Machine Learning e por que é importante que as fases não sejam ignoradas? Por que as redes neurais são tão populares agora? Como você pode estruturar um problema de aprendizado supervisionado e encontrar uma solução boa e generalizável usando gradient descent e uma maneira ponderada de criar conjuntos de dados?
 
Aprenda a escrever modelos de aprendizado de máquina distribuídos que escalam no Tensorflow, escalam o treinamento desses modelos. e oferecer previsões/inferências de alto desempenho. Converta dados brutos em recursos de uma maneira que permita que o ML aprenda características importantes a partir dos dados e traga informações humanas para o problema. Por fim, aprenda como incorporar a combinação certa de parâmetros que produz modelos precisos e generalizados e conhecimento da teoria para resolver tipos específicos de problemas de BC. Você experimentará o ML de ponta a ponta, começando pela construção de uma estratégia focada no ML e progredindo no treinamento, otimização e produção de modelos com laboratórios práticos, usando o Google Cloud Platform.

Objetivos

Neste curso, os participantes aprenderão as seguintes 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-Alvo

Esta aula destina-se a:
  • 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.

Pré-requisitos

Para aproveitar ao máximo este curso, os participantes precisam atender aos seguintes critérios:

 

  • Alguma familiaridade com conceitos básicos de Machine Learning
  • Desenvolvimento de aplicativos com linguagem de programação comum (Python preferencialmente)

Duração

40 horas (5 dias)

Investimento

Consulte o valor atualizado e datas das próximas turmas abertas em nossa página de inscrições.
Caso tenha interesse em uma turma fechada para sua empresa, entre em contato conosco.

Resumo do curso

O curso inclui apresentações, demonstrações e laboratórios práticos.
  • 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.