Spezialisierung Machine Learning with TensorFlow on Google Cloud em Português Brasileiro

"Quais são as práticas recomendadas para implementar machine learning no Google Cloud? O que é Vertex AI e como é possível usar a plataforma para criar, treinar e implantar modelos de machine learning do AutoML com rapidez e sem escrever nenhuma linha de código? O que é machine learning e que tipos de problema ele pode resolver?

O Google pensa em machine learning de uma forma um pouco diferente. Para nós, o processo de ML é sobre fornecer uma plataforma unificada para conjuntos de dados gerenciados, como uma Feature Store, uma forma de criar, treinar e implantar modelos de machine learning sem escrever nenhuma linha de código. Além disso, o ML também é sobre a habilidade de rotular dados, criar notebooks do Workbench usando frameworks (como TensorFlow, SciKit Learn, Pytorch e R) e muito mais. A plataforma Vertex AI também inclui a possibilidade de treinar modelos personalizados, criar pipelines de componente e realizar previsões em lote e on-line. Também falamos sobre as cinco fases da conversão de um possível caso de uso a ser realizado por machine learning e vemos como é importante não ignorar essas etapas. Finalizamos com um reconhecimento das tendências que o machine learning pode ampliar e como reconhecer isso."

O curso começa propondo a seguinte discussão: como melhorar a qualidade dos dados e fazer uma análise exploratória deles? Descrevemos o AutoML na Vertex AI e como criar, treinar e implantar um modelo de ML sem escrever nenhuma linha de código. Você vai conhecer os benefícios do BigQuery ML. Depois vamos falar sobre como otimizar um modelo de machine learning (ML) e como a generalização e a amostragem podem ajudar na avaliação de qualidade dos modelos de ML em treinamentos personalizados.

O objetivo deste curso é aproveitar a flexibilidade e a facilidade de uso do TensorFlow 2.x e do Keras para criar, treinar e implantar modelos de machine learning. Você aprenderá sobre a hierarquia da API TensorFlow 2.x e conhecerá os principais componentes do TensorFlow nos exercícios práticos. Mostraremos como trabalhar com conjuntos de dados e colunas de atributos. Você aprenderá a projetar e criar um pipeline de entrada de dados do TensorFlow 2.x. Você terá uma experiência prática com o carregamento de dados CSV, matrizes numpy, dados de texto e imagens usando o tf.Data.Dataset e com a criação de colunas de atributos numéricas, categóricas, em bucket e com hash.

Apresentaremos as APIs Keras Sequential e Keras Functional para mostrar como criar modelos de aprendizado profundo. Abordaremos as funções de ativação, perda e otimização. Nos laboratórios práticos dos notebooks do Jupyter, você poderá criar modelos de machine learning de regressão linear básica e de regressão logística básica e avançada. Você aprenderá a treinar, implantar e produzir modelos de machine learning em escala com o AI Platform do Cloud.

Quer saber mais sobre o Feature Store da Vertex AI, como melhorar a acurácia dos seus modelos de machine learning e quais colunas de dados contêm os atributos mais úteis? No curso "Feature Engineering", falamos sobre atributos bons e ruins, além de mostrar como fazer o pré-processamento e a transformação deles para otimizar seus modelos. Esse curso tem conteúdo teórico e prático sobre a engenharia de atributos usando o BigQuery ML, Keras e TensorFlow.