This course is focused on using the flexibility and “ease of use” of TensorFlow 2.x and Keras to build, train, and deploy machine learning models. You will learn about the TensorFlow 2.x API hierarchy and will get to know the main components of TensorFlow through hands-on exercises. We will introduce you to working with datasets and feature columns. You will learn how to design and build a TensorFlow 2.x input data pipeline. You will get hands-on practice loading csv data, numPy arrays, text data, and images using tf.Data.Dataset. You will also get hands-on practice creating numeric, categorical, bucketized, and hashed feature columns.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Machine Learning with TensorFlow on Google Cloud Platform
von
Über diesen Kurs
81,761 kürzliche Aufrufe
Karriereergebnisse der Lernenden
33%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
38%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 19 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Portugiesisch (Brasilien), Russisch, Englisch, Spanisch
Kompetenzen, die Sie erwerben
Machine LearningPython ProgrammingBuild Input Data PipelineTensorflowkeras
Karriereergebnisse der Lernenden
33%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
38%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 19 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Portugiesisch (Brasilien), Russisch, Englisch, Spanisch
von
Google Cloud
We help millions of organizations empower their employees, serve their customers, and build what’s next for their businesses with innovative technology created in—and for—the cloud. Our products are engineered for security, reliability, and scalability, running the full stack from infrastructure to applications to devices and hardware. Our teams are dedicated to helping customers apply our technologies to create success.
Lehrplan - Was Sie in diesem Kurs lernen werden
7 Minuten zum Abschließen
Introduction to course
This course is an introduction to TensorFlow 2.x, which incorporates the ease of use of Keras for building machine learning models. This course covers designing and building a TensorFlow 2.x input data pipeline, building machine learning models with TensorFlow 2.x and Keras, improving the accuracy of machine learning models, and writing machine learning models for scaled use.
7 Minuten zum Abschließen
2 Videos (Gesamt 7 min)
3 Stunden zum Abschließen
Introduction to TensorFlow
We will introduce you to the new paradigm of TensorFlow 2.x. You will learn about the the TensorFlow API hierarchy and will get to know the main components of TensorFlow, tensors and variables, through hands-on exercises.
3 Stunden zum Abschließen
5 Videos (Gesamt 22 min), 1 Lektüre, 5 Quiz
5 Videos
TensorFlow API Hierarchy4m
Components of TensorFlow: Tensors and Variables8m
Lab Intro Introduction to Tensors and Variables1m
Lab Intro Writing low-level TensorFlow programs43
1 Lektüre
Readings10m
3 praktische Übungen
Introduction to TensorFlow15m
API Hierarchy15m
Tensors and Variables15m
7 Stunden zum Abschließen
Design and Build a TensorFlow Input Data Pipeline
We will introduce you to working with datasets and feature columns. You will get hands-on practice loading csv data, numPy arrays with tf.data.Dataset, text data, and load images using tf.data.Dataset. You will also get hands on practice creating numeric, categorical, bucketized, and hashed feature columns.
7 Stunden zum Abschließen
10 Videos (Gesamt 25 min), 1 Lektüre, 9 Quiz
10 Videos
Overview4m
Working in-memory and with files3m
Getting the data ready for model training6m
Lab Intro Load CSV and Numpy Data 28
Lab Intro Loading Image Data54
Lab Intro Feature Columns37
Optional Lab Intro TFRecord and tf.Example1m
Training on Large Datasets with tf.data API4m
Lab Intro Manipulating data with Tensorflow Dataset API34
Optional Lab Intro Feature Analysis Using TensorFlow Data Validation and Facets1m
1 Lektüre
Readings15m
3 praktische Übungen
PRACTICE QUIZ: Getting the data ready for model training15m
Training on Large Datasets with tf.data API15m
Design and Build Input Data Pipeline15m
4 Stunden zum Abschließen
Training neural networks with Tensorflow 2 and the Keras Sequential API
In this module you will get introduced to writing TensorFlow models using the Keras Sequential API. But, before you jump right into writing the model, we will talk about activation functions, loss and optimization. You will then be introduced to the Keras Sequential API to learn how you can create deep learning models with it. You will also learn how to deploy the model for prediction in the cloud.
4 Stunden zum Abschließen
5 Videos (Gesamt 23 min), 1 Lektüre, 5 Quiz
5 Videos
Overview31
Activation functions8m
Activation functions: Pitfalls to avoid in Backpropagation 5m
Neural Networks with Keras Sequential API7m
Lab intro Keras Sequential API21
1 Lektüre
Readings10m
2 praktische Übungen
Activation Functions15m
Neural Networks with TF2 and Keras15m
3 Stunden zum Abschließen
Training neural networks with Tensorflow 2 and the Keras Functional API
The Sequential model API is great for developing deep learning models in most situations, but it also has some limitations. One example is that it is not straightforward to define models that may have multiple different input sources, produce multiple output destinations or models that re-use layers. The Keras Functional API is a way to create models that are more flexible than the tf.keras.Sequential API. The functional API can handle models with non-linear topology, models with shared layers, and models with multiple inputs or outputs. The Keras Functional API provides a more flexible way for defining models. It specifically allows you to define multiple input or output models as well as models that share layers. More than that, it allows you to define ad hoc acyclic network graphs. The main idea that a deep learning model is usually a directed acyclic graph (DAG) of layers. So the Functional API is a way to build graphs of layers. Additionally, we will also talk about how regularization can help with model performance.
3 Stunden zum Abschließen
6 Videos (Gesamt 29 min), 1 Lektüre, 4 Quiz
6 Videos
Regularization: The Basics4m
Regularization: L1, L2, and Early Stopping5m
Regularization: Dropout5m
Serving models in the Cloud3m
Lab intro Keras Functional API38
1 Lektüre
Readings1h
3 praktische Übungen
The Keras Functional API15m
Regularization15m
Serving Models in the Cloud15m
1 Stunde zum Abschließen
Summary
Here we summarize the TensorFlow topics we covered so far in this course. We'll revisit core TensorFlow code, the tf.data API, Keras Sequential and Functional APIs and end with scaling your machine learning models with Cloud AI Platform.
1 Stunde zum Abschließen
1 Video (Gesamt 8 min), 1 Lektüre, 1 Quiz
1 Video
1 Lektüre
Quiz Questions to ALL Lessons 10m
1 praktische Übung
Course Summary15m
Bewertungen
Top-Bewertungen von VORSTELLUNG VON TENSORFLOW
von VC17. Mai 2020
I feel this course very valuable because it taught how to create an automated service in cloud with very huge data and working with distributed systems in production environment with minimal time.
von LL30. Aug. 2019
The tools and methods presented were great. The instructors were also fantastic. However the coding exercises were lacking in guidance even though the complete solution is given in the video.
von DW16. Okt. 2018
pretty good. some of the code in the last lab could be better explained. also please debug the cloud shell, as it does not always show the "web preview" button ;) otherwise, good job!
von TW30. März 2020
This needs some updating - looks like the Tensorboard is no longer accessed in the same way as it was when this course was produced. Otherwise great! Good challenges! :/
Über den Spezialisierung Machine Learning with TensorFlow on Google Cloud Platform
What is machine learning, and what kinds of problems can it solve? What are the five phases of converting a candidate use case to be driven by machine learning, and why is it important that the phases not be skipped? Why are neural networks so popular now? How can you set up a supervised learning problem and find a good, generalizable solution using gradient descent and a thoughtful way of creating datasets? Learn how to write distributed machine learning models that scale in Tensorflow, scale out the training of those models. and offer high-performance predictions. Convert raw data to features in a way that allows ML to learn important characteristics from the data and bring human insight to bear on the problem. Finally, learn how to incorporate the right mix of parameters that yields accurate, generalized models and knowledge of the theory to solve specific types of ML problems. You will experiment with end-to-end ML, starting from building an ML-focused strategy and progressing into model training, optimization, and productionalization with hands-on labs using Google Cloud Platform.
Häufig gestellte Fragen
Kann ich vor der Anmeldung eine Vorschau des Kurses ansehen?
Ja, Sie können eine Vorschau des ersten Videos und den Lehrplan ansehen, bevor Sie sich anmelden. Sie müssen den Kurs kaufen, um Zugriff auf die Inhalte zu erhalten, die nicht in der Vorschau inbegriffen sind.
Was bekomme ich, wenn ich mich anmelde?
Sobald Sie sich anmelden und Ihre Kurseinheit beginnt, haben Sie Zugriff auf alle Videos und andere Ressourcen, einschließlich der Texte und des Kurs-Diskussionsforums. Sie können praktische Aufgaben ansehen und einreichen und erforderliche bewertete Aufgaben abschließen, um eine Bewertung und ein Kurszertifikat zu erhalten.
Wann erhalte ich mein Kurszertifikat?
Wenn Sie den Kurs erfolgreich abschließen, wird der Seite „Errungenschaften“ Ihr elektronisches Kurszertifikat hinzugefügt – von dort können Sie Ihr Kurszertifikat ausdrucken oder es zu Ihrem LinkedIn-Profil hinzufügen.
Warum kann ich nicht als Gast an diesem Kurs teilnehmen?
Dieser Kurs ist einer der wenigen auf Coursera angebotenen Kurse, die derzeit ausschließlich für Kursteilnehmer zugänglich sind, die bezahlt oder finanzielle Unterstützung erhalten haben, wenn diese verfügbar ist.
Is financial aid available?
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
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
