We introduce low-level TensorFlow and work our way through the necessary concepts and APIs so as to be able to write distributed machine learning models. Given a TensorFlow model, we explain how to scale out the training of that model and offer high-performance predictions using Cloud Machine Learning Engine. Course Objectives: 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
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Machine Learning with TensorFlow on Google Cloud Platform
Intro to TensorFlow
von
Über diesen Kurs
38,457 kürzliche Aufrufe
Learner Career Outcomes
33%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
38%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Kompetenzen, die Sie erwerben
Application Programming Interfaces (API)EstimatorMachine LearningTensorflowCloud Computing
Learner Career Outcomes
33%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
38%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 10 Stunden zum Abschließen
Empfohlen: 2-3 weeks of study, 8-10 hours/week
Englisch
Untertitel: Französisch, Portugiesisch (Brasilien), Deutsch, Englisch, Spanisch, Japanisch
Lehrplan - Was Sie in diesem Kurs lernen werden
Woche
17 Minuten zum Abschließen
Introduction
The tool we will use to write machine learning programs is TensorFlow and so in this course, we will introduce you to TensorFlow. In the first course, you learned how to formulate business problems as machine learning problems and in the second course, you learned how machine works in practice and how to create datasets that you can use for machine learning. Now that you have the data in place, you are ready to get started writing machine learning programs.
2 Videos (Gesamt 7 min)
3 Stunden zum Abschließen
Core TensorFlow
We will introduce you to the core components of TensorFlow and you will get hands-on practice building machine learning programs. You will compare and write lazy evaluation and imperative programs, work with graphs, sessions, variables, as finally debug TensorFlow programs.
19 Videos (Gesamt 72 min), 4 Quiz
19 Videos
What is TensorFlow2m
Benefits of a Directed Graph5m
TensorFlow API Hierarchy3m
Lazy Evaluation4m
Graph and Session4m
Evaluating a Tensor2m
Visualizing a graph2m
Tensors6m
Variables6m
Lab Intro: Writing low-level TensorFlow programs16
Lab Solution8m
Introduction5m
Shape problems3m
Fixing shape problems2m
Data type problems1m
Debugging full programs4m
Intro: Debugging full programs15
Demo: Debugging Full Programs3m
3 praktische Übungen
What is TensorFlow?2m
Graphs and Sessions8m
Core TensorFlow20m
Woche
24 Stunden zum Abschließen
Estimator API
In this module we will walk you through the Estimator API.
18 Videos (Gesamt 67 min), 4 Quiz
18 Videos
Estimator API3m
Pre-made Estimators5m
Demo: Housing Price Model1m
Checkpointing1m
Training on in-memory datasets2m
Lab Intro: Estimator API39
Lab Solution: Estimator API10m
Train on large datasets with Dataset API8m
Lab Intro: Scaling up TensorFlow ingest using batching35
Lab Solution: Scaling up TensorFlow ingest using batching5m
Big jobs, Distributed training6m
Monitoring with TensorBoard3m
Demo: TensorBoard UI28
Serving Input Function5m
Recap: Estimator API1m
Lab Intro: Creating a distributed training TensorFlow model with Estimator API51
Lab Solution: Creating a distributed training TensorFlow model with Estimator API7m
1 praktische Übung
Estimator API18m
Woche
32 Stunden zum Abschließen
Scaling TensorFlow models
I’m here to talk about how you would go about taking your TensorFlow model and training it on GCP’s managed infrastructure for machine learning model training and deployed.
6 Videos (Gesamt 29 min), 1 Lektüre, 2 Quiz
6 Videos
Why Cloud AI Platform?6m
Train a Model2m
Monitoring and Deploying Training Jobs2m
Lab Intro: Scaling TensorFlow with Cloud AI Platform50
Lab Solution: Scaling TensorFlow with Cloud AI Platform16m
1 Lektüre
Cloud ML Engine is now Cloud AI Platform10m
1 praktische Übung
Cloud AI Platform10m
2 Minuten zum Abschließen
Summary
Here we summarize the TensorFlow topics we covered so far in this course. We'll revisit core TensorFlow code, the Estimator API, and end with scaling your machine learning models with Cloud Machine Learning Engine.
1 Video (Gesamt 2 min)
1 Video
Summary2m
Top-Bewertungen von Intro to TensorFlow
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!
Nice introduce, might be more on introduce the model structure, because I still need to read additional notes to locate how to train my deep learning model online.
Über 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.
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.
> By enrolling in this specialization you agree to the Qwiklabs Terms of Service as set out in the FAQ and located at: https://qwiklabs.com/terms_of_service <
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.
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Wenn Sie sich vor dem Startdatum der ersten Kurseinheit anmelden, haben Sie Zugriff auf alle Vortragsvideos und Texte für den Kurs. Sobald die erste Kurseinheit beginnt, können Sie Aufgaben einreichen.
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.
Wie erfolgen Rückerstattungen?
Ist finanzielle Unterstützung möglich?
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..