Explore

Serverless Machine Learning with Tensorflow on Google Cloud Platform auf Deutsch

Approx. 15 hours to complete

Save Course

Go to Course

Course Summary

Learn how to build and deploy machine learning models on the cloud using serverless architecture on Google Cloud Platform.

Key Learning Points

Understand the benefits and challenges of serverless computing for machine learning applications
Develop and deploy machine learning models using Google Cloud Platform's serverless services
Explore use cases for serverless machine learning, including image recognition and natural language processing

Learning Outcomes

Develop and deploy machine learning models on Google Cloud Platform's serverless services
Understand the benefits and challenges of using serverless computing for machine learning
Apply machine learning techniques to real-world use cases

Prerequisites or good to have knowledge before taking this course

Basic understanding of machine learning concepts
Familiarity with Python programming language

Course Difficulty Level

Intermediate

Course Format

Online
Self-paced

Similar Courses

Machine Learning with TensorFlow on Google Cloud Platform
Data Engineering on Google Cloud Platform

Related Education Paths

Notable People in This Field

Co-founder of Coursera
Professor of Computer Science

Related Books

Description

***Wir möchten Sie darüber informieren, dass die Spezialisierung "Data Engineer, Big Data and ML on Google Cloud auf Deutsch" am 10. November 2020 geschlossen und nicht mehr angeboten wird.***

In diesem einwöchigen On-Demand-Intensivkurs erhalten Teilnehmer eine praxisorientierte Einführung in das Entwerfen und Erstellen von Modellen für das maschinelle Lernen (ML) mithilfe der Google Cloud Platform. In Präsentationen, Demos und praxisorientierten Labs lernen die Teilnehmer ML- und TensorFlow-Konzepte kennen und entwickeln ML-Modelle, die sie anschließend auswerten und produktionsreif machen. ZIELE In diesem Kurs werden die folgenden Fähigkeiten vermittelt: ● Anwendungsfälle für maschinelles Lernen erkennen ● ML-Modelle mit TensorFlow erstellen ● Skalier- und bereitstellbare ML-Modelle mit Cloud ML erstellen ● Bedeutung der Datenvorverarbeitung und der Kombination von Features verstehen ● Fortgeschrittene ML-Konzepte in Modelle einbinden ● Trainierte ML-Modelle produktionsreif machen VORAUSSETZUNGEN Für maximale Lernerfolge sollten die Teilnehmer folgende Voraussetzungen erfüllen: ● Abschluss des Kurses "Google Cloud Platform Fundamentals: Big Data & Machine Learning" ODER entsprechende Erfahrung auf dem Gebiet ● Grundkenntnisse in gängigen Abfragesprachen wie SQL ● Kenntnisse in Datenmodellierung, Extraktion, Transformation und Ladeaktivitäten ● Entwicklung von Anwendungen mit einer gängigen Programmiersprache wie Python ● Vertrautheit mit maschinellem Lernen und/oder Statistik Hinweis zum Google-Konto: • In China sind Google-Dienste derzeit nicht verfügbar.

Outline

Willkommen zum serverlosen maschinellen Lernen mit der Google Cloud Platform
Willkommen zum Kurs
Überlegungen zum maschinellen Lernen
Kursressourcen herunterladen
ML-Kurs – Vorabfragen

Modul 1: Einführung in maschinelles Lernen
Übersicht über das maschinelle Lernen (ML)
Arten von ML
Die ML-Pipeline
Varianten des ML-Modells
ML-Problem eingrenzen
Maschinelles Lernen (ML) ausprobieren
Optimierung
Sichere Testumgebung für neuronale Netzwerke
Funktionen kombinieren
Feature Engineering
Bildmodelle
Effektives ML
Was macht ein gutes Dataset aus?
Fehlermesswerte
Genauigkeit
Genauigkeit und Trefferquote
Datasets für maschinelles Lernen erstellen
Datasets aufteilen
Python-Notebooks
Übersicht zum Lab "Datasets für maschinelles Lernen erstellen"
Zusammenfassung zum Lab "Datasets für maschinelles Lernen erstellen"
Quiz zu Modul 1

Modul 2: ML-Modelle mit TensorFlow erstellen
Überblick über Modul 2
Was ist TensorFlow?
Core TensorFlow
Übersicht zum Lab "Einführung in TensorFlow"
Zusammenfassung zum TensorFlow-Lab
Estimator API
Maschinelles Lernen mit tf.estimator
Zusammenfassung zum Lab "Estimator"
Effektives ML ermöglichen
Einführung zum Lab "Refaktorierung zum Hinzufügen von Stapelverarbeitung und Funktionserstellung"
Zusammenfassung zum Lab "Refaktorierung"
Trainieren und Bewerten
Monitoring
Einführung zum Lab "Verteiltes Training und Monitoring"
Zusammenfassung zum Lab "Verteiltes Training und Monitoring"
Quiz zu Modul 2

Modul 3: ML-Modelle mit Cloud ML Engine skalieren
Überblick über Modul 3
Vorteile der Cloud ML Engine
Arbeitsablauf bei der Entwicklung
Trainingspakete erstellen
TensorFlow bereitstellen
Lab: ML hochskalieren
Zusammenfassung zum Lab "ML hochskalieren"
Quiz für Modul 3

Modul 4: Feature Engineering
Überblick über Modul 4
Gute Funktionen
Kausalität
Numerisch
Ausreichende Beispiele
Von den Rohdaten zur Funktion
Kategoriale Merkmale
Funktionsverknüpfungen
Bucketizing
Breit und tief
Einsatzbereiche für Feature Engineering
Überblick zum Lab "Feature Engineering"
Zusammenfassung zum Lab "Feature Engineering"
Hyperparameter-Abstimmung + Demo
ML-Abstraktionsebenen
Fazit
Quiz zu Modul 4

Summary of User Reviews

Discover the world of Serverless Machine Learning on GCP with this highly-rated course on Coursera. Learn how to build and deploy machine learning models using Google Cloud Platform without worrying about server management.

Key Aspect Users Liked About This Course

Many users found the hands-on exercises and practical examples to be highly beneficial in understanding the concepts.

Pros from User Reviews

The course provides a comprehensive overview of serverless machine learning on GCP.
The instructors are knowledgeable and engaging.
The hands-on exercises are well-designed and practical.
The course provides a good balance between theory and practice.
The course is suitable for both beginners and experienced professionals.

Cons from User Reviews

The course can be a bit overwhelming for beginners who are not familiar with GCP.
Some users found the pace of the course to be too slow or too fast.
The course could benefit from more advanced topics and real-world use cases.
The course could be more interactive and engaging.
Some users found the assessments to be too easy or too difficult.