Bringing a machine learning model into the real world involves a lot more than just modeling. This Specialization will teach you how to navigate various deployment scenarios and use data more effectively to train your model.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung TensorFlow: Data and Deployment
von
Spezialisierung TensorFlow: Data and Deploymentdeeplearning.aiÜber diesen Kurs
57,717 kürzliche Aufrufe
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 2 von 4 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Basic understanding of Kotlin and/or Swift
Ca. 10 Stunden zum Abschließen
Englisch
Untertitel: Englisch
Was Sie lernen werden
Prepare models for battery-operated devices
Execute models on Android and iOS platforms
Deploy models on embedded systems like Raspberry Pi and microcontrollers
Kompetenzen, die Sie erwerben
TensorFlow LiteMathematical OptimizationMachine LearningTensorflowObject Detection
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 2 von 4 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Basic understanding of Kotlin and/or Swift
Ca. 10 Stunden zum Abschließen
Englisch
Untertitel: Englisch
von
deeplearning.ai
Founded by Andrew Ng, deeplearning.ai is on a mission to make world-class AI education accessible to people around the globe so that we can all benefit from an AI-powered future.
Lehrplan - Was Sie in diesem Kurs lernen werden
6 Stunden zum Abschließen
Device-based models with TensorFlow Lite
Welcome to this course on TensorFlow Lite, an exciting technology that allows you to put your models directly and literally into people's hands. You'll start with a deep dive into the technology, and how it works, learning about how you can optimize your models for mobile use -- where battery power and processing power become an important factor. You'll then look at building applications on Android and iOS that use models, and you'll see how to use the TensorFlow Lite Interpreter in these environments. You'll wrap up the course with a look at embedded systems and microcontrollers, running your models on Raspberry Pi and SparkFun Edge boards.
6 Stunden zum Abschließen
14 Videos (Gesamt 40 min), 6 Lektüren, 2 Quiz
14 Videos
A few words from Laurence55
Features and components of mobile AI2m
Architecture and performance3m
Optimization Techniques2m
Saving, converting, and optimizing a model3m
Examples2m
Quantization3m
TF-Select1m
Paths in Optimization1m
Running the models1m
Transfer learning3m
Converting a model to TFLite1m
Transfer learning with TFLite5m
6 Lektüren
Prerequisites10m
Downloading the Coding Examples and Exercises10m
GPU delegates10m
Learn about supported ops and TF-Select10m
Week 1 Wrap up10m
Exercise Description10m
1 praktische Übung
Week 1 Quiz
1 Stunde zum Abschließen
Running a TF model in an Android App
Last week you learned about TensorFlow Lite and you saw how to convert your models from TensorFlow to TensorFlow Lite format. You also learned about the standalone TensorFlow Lite Interpreter which could be used to test these models. You wrapped with an exercise that converted a Fashion MNIST based model to TensorFlow Lite and then tested it with the interpreter.
1 Stunde zum Abschließen
15 Videos (Gesamt 36 min), 3 Lektüren, 1 Quiz
15 Videos
Installation and resources2m
Architecture of a model1m
Initializing the Interpreter2m
Preparing the Input1m
Inference and results1m
Code walkthrough3m
Run the App2m
Classifying camera images55
Initialize and prepare input3m
Demo of camera image classifier4m
Initialize model and prepare inputs1m
Inference and results3m
Demo of the object detection App1m
Code for the inference and results2m
3 Lektüren
Android fundamentals and installation10m
Week 2 Wrap up10m
Description10m
1 praktische Übung
Week 2 Quiz
2 Stunden zum Abschließen
Building the TensorFLow model on IOS
The other popular mobile operating system is, of course, iOS. So this week you'll do very similar tasks to last week -- learning how to take models and run them on iOS. You'll need some programming background with Swift for iOS to fully understand everything we go through, but even if you don't have this expertise, I think this weeks content is something you'll find fun to explore -- and you'll learn how to build a variety of ML applications that run on this important operating system!
2 Stunden zum Abschließen
22 Videos (Gesamt 45 min), 8 Lektüren, 1 Quiz
22 Videos
A few words from Laurence1m
What is Swift?45
TerserflowLiteSwift1m
Cats vs Dogs App1m
Taking the initial steps3m
Scaling the image2m
More steps in the process3m
Looking at the App in Xcode5m
What have we done so far and how do we continue?41
Using the App50
App architecture1m
Model details1m
Initial steps4m
Final steps1m
Looking at the code for the image classification App4m
Object classification intro30
TFL detect App53
App architecture55
Initial steps58
Final steps3m
Looking at the code for the object detection model3m
8 Lektüren
Important links10m
Apple’s developer's site 10m
Apple's API10m
More details10m
Camera related functionalities10m
The Coco dataset10m
Week 3 Wrap up10m
Description10m
1 praktische Übung
Week 3 Quiz
2 Stunden zum Abschließen
TensorFlow Lite on devices
Now that you've looked at TensorFlow Lite and explored building apps on Android and iOS that use it, the next and final step is to explore embedded systems like Raspberry Pi, and learn how to get your models running on that. The nice thing is that the Pi is a full Linux system, so it can run Python, allowing you to either use the full TensorFlow for Training and Inference, or just the Interpreter for Inference. I'd recommend the latter, as training on a Pi can be slow!
2 Stunden zum Abschließen
13 Videos (Gesamt 29 min), 7 Lektüren, 1 Quiz
13 Videos
A few words from Laurence3m
Devices3m
Starting to work on a Raspberry Pi1m
How do we start?2m
Image classification1m
The 4 step process2m
Object detection1m
Back to the 4 step process4m
Raspberry Pi demo2m
Microcontrollers2m
Closing words by Laurence28
A conversation with Andrew Ng1m
7 Lektüren
Edge TPU models10m
Options to choose from10m
Pre optimized mobileNet10m
Object detection model trained on the coco10m
Suggested links10m
Description10m
Wrap up10m
1 praktische Übung
Week 4 Quiz
Bewertungen
Top-Bewertungen von DEVICE-BASED MODELS WITH TENSORFLOW LITE
von JT30. März 2020
One of the most useful and exciting courses I've ever done! Especially for the information available in the last (4th) week. Very interesting material and full of practical potential!
von SP16. Apr. 2020
Quite good course. It gives an opportunity for individuals to utilize tensor flow in day to day devices which makes it more appealing. Thanks for developing this course.
von MM11. Jan. 2020
Great course, very practical in the real world. It also balances and accommodates developers on what devices you have available. Looking forward to the next course
von SR14. Apr. 2020
It's a bit fast and definitely tightly packed. The objectives are clear though --how to build/debug/deploy on various modern devices (Android, iOS, RaspPi, etc)
Über den Spezialisierung TensorFlow: Data and Deployment
Continue developing your skills in TensorFlow as you learn to navigate through a wide range of deployment scenarios and discover new ways to use data more effectively when training your machine learning models.
In this four-course Specialization, you’ll learn how to get your machine learning models into the hands of real people on all kinds of devices. Start by understanding how to train and run machine learning models in browsers and in mobile applications. Learn how to leverage built-in datasets with just a few lines of code, learn about data pipelines with TensorFlow data services, use APIs to control data splitting, process all types of unstructured data and retrain deployed models with user data while maintaining data privacy. Apply your knowledge in various deployment scenarios and get introduced to TensorFlow Serving, TensorFlow, Hub, TensorBoard, and more.
Industries all around the world are adopting Artificial Intelligence. This Specialization from Laurence Moroney and Andrew Ng will help you develop and deploy machine learning models across any device or platform faster and more accurately than ever.
This Specialization builds upon skills learned in the TensorFlow in Practice Specialization. We recommend learners complete that Specialization prior to enrolling in TensorFlow: Data and Deployment.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
- Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
- Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.
Ist finanzielle Unterstützung möglich?
Ja, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren
Erhalte ich akademische Leistungspunkte für den Abschluss des Kurses?
Für diesen Kurs gibt es keine akademischen Leistungspunkte, doch Hochschulen können nach eigenem Ermessen Leistungspunkte für Kurszertifikate vergeben. Wenden Sie sich an Ihre Einrichtung, um mehr zu erfahren. Online-Abschlüsse und Mastertrack™-Zertifikate auf Coursera bieten die Möglichkeit, akademische Leistungspunkte zu erwerben.
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
