Advanced Machine Learning with TensorFlow on Google Cloud Platform (MLTF)

Ziele der Schulung

In diesem Kurs lernen Sie, verteilte Modelle für maschinelles Lernen (ML) zu schreiben, die in TensorFlow skaliert werden, das Training dieser Modelle horizontal zu skalieren und leistungsstarke Vorhersagen zu erstellen. Es wird behandelt, wie Sie Rohdaten so in Merkmale umwandeln, dass ML wichtige Eigenschaften dieser Daten erlernen kann und menschliche Einblicke in das Problem zulässt. Schließlich lernen Sie, die richtige Mischung aus Parametern zu verwenden, um präzise und generalisierte Modelle zu erstellen, und Sie erhalten eine Einführung in die Theorie zum Lösen bestimmter Arten von ML-Problemen. Auf diese Weise gewinnen Sie ein umfassendes Verständnis von ML. Zuerst beginnen Sie mit dem Erstellen einer auf ML ausgerichteten Strategie und fahren dann mit Modelltraining, Optimierung und Produktentwicklung fort. Hierbei helfen Ihnen praxisorientierte Labs mit der Google Cloud Platform.

Zielgruppe Seminar

• Data Engineers und Programmierer, die maschinelles Lernen in die Praxis umsetzen möchten
• Personen, die am Erstellen und Operationalisieren von TensorFlow-Modellen interessiert sind

Voraussetzungen

Für maximale Lernerfolge sollten die Teilnehmer folgende Voraussetzungen erfüllen:

• Erfahrung im Coding von Python
• Grundkenntnisse in Statistik
• Kenntnisse in SQL und Cloud Computing (hilfreich)

Seminarinhalt

Maschinelles Lernen bei Google

Überblick:
Maschinelles Lernen (ML) ist ein Teilbereich der Künstlichen Intelligenz (KI), bei dem Computer die Fähigkeit entwickeln, aus Daten zu lernen, ohne explizit programmiert zu werden. Bei Google geht es beim maschinellen Lernen nicht nur um die Verarbeitung von Daten, sondern auch um die Logik und die Erstellung von präzisen und effizienten Modellen. In diesem Kurs erfahren Sie, wie Google maschinelles Lernen nutzt und warum der Aufbau einer ML-Pipeline wichtig ist.

Datenstrategie zu ML entwickeln

• Entwickeln einer Strategie zur Nutzung von Daten im maschinellen Lernen.
• Untersuchung von Anwendungsfällen, die durch den ML-Ansatz neu gestaltet werden können.
• Erkennen von Vorurteilen, die durch maschinelles Lernen verstärkt werden können und wie man diese erkennt.
• Nutzen der Google Cloud Platform für maschinelles Lernen (GCP).
• Vermeiden häufiger Probleme in der Praxis durch Best Practices und Erfahrungen von Google.

Vortrainierte ML-Modelle aus Cloud Datalab aufrufen

• Verwenden vortrainierter Modelle aus Cloud Datalab für Ihre eigenen Anwendungen.

Einführung in das maschinelle Lernen

Überblick:

• Erfahren Sie, wie neuronale Netzwerke verwendet werden, um eine Vielzahl von Problemen im Bereich des maschinellen Lernens zu lösen.
• Lernen Sie, betreute Lernprobleme zu erstellen und durch das Gradientenverfahren optimale Lösungen zu finden.
• Erstellen und verarbeiten Sie Datasets, die eine Generalisierung ermöglichen und Experimente ermöglichen.

Zielsetzungen:

• Erkennen, warum Deep Learning aktuell so populär ist.
• Optimieren und Auswerten von Modellen anhand von Verlustfunktionen und Leistungskennzahlen.
• Minimierung häufiger Probleme im maschinellen Lernen.
• Erstellen von wiederholbaren Trainings-, Evaluierungs- und Test-Datensätzen.

Einführung in TensorFlow

Überblick:

• Einführung in TensorFlow, eine der beliebtesten Bibliotheken für maschinelles Lernen.
• Erlernen der notwendigen Konzepte und APIs zum Erstellen von verteilten ML-Modellen.
• Demonstration, wie TensorFlow-Modelle erstellt, trainiert und leistungsstarke Vorhersagen mithilfe der Cloud Machine Learning Engine bereitgestellt werden können.

Zielsetzungen:

• Erstellen von ML-Modellen in TensorFlow.
• Verwenden der TensorFlow-Bibliotheken, um numerische Probleme zu lösen.
• Fehlerbehebung in TensorFlow-Code.
• Nutzung von tf_estimator zum Erstellen, Trainieren und Bewerten von ML-Modellen.
• Training und Bereitstellung von ML-Modellen auf großer Skala mit der Cloud ML Engine.

Feature Engineering

Überblick:
Feature Engineering ist ein entscheidender Aspekt beim Erstellen von effizienten und leistungsstarken ML-Modellen. In diesem Modul lernen Sie, wie Rohdaten in Merkmale umgewandelt werden, die von ML-Modellen genutzt werden können.

Zielsetzungen:

• Umwandeln von Rohdaten in Merkmalsvektoren.
• Vorverarbeiten und Erstellen neuer Merkmalspipelines mit Cloud Dataflow.
• Erstellen und Implementieren von Merkmalverknüpfungen (Feature Crossing) und deren Auswirkungen bewerten.
• Schreiben von TensorFlow-Transformationscode für Feature Engineering.

Kunst und Wissenschaft des maschinellen Lernens

Überblick:
Maschinelles Lernen ist sowohl eine Kunst als auch eine Wissenschaft. Es geht nicht nur darum, Modelle zu erstellen, sondern auch darum, den richtigen Mix an Parametern zu finden, um die Modellleistung zu verbessern und die Modelle zu generalisieren.

Zielsetzungen:

• Optimieren der Modellleistung durch Anpassung von Hyperparametern.
• Experimentieren mit neuronalen Netzwerken und verbesserter Modellleistung.
• Erweiterung von ML-Modellen durch eingebettete Ebenen.
• Erstellen von wiederverwendbarem benutzerdefiniertem Modellcode mit Custom Estimator.

Hinweise

Partner

Dieses Seminar bieten wir in Kooperation mit unserem Google Cloud Learning Partner Fast Lane Institute for Knowledge Transfer GmbH an.

Open Badge für dieses Seminar - Ihr digitaler Kompetenznachweis

Durch die erfolgreiche Teilnahme an einem Kurs bei IT-Schulungen.com erhalten Sie zusätzlich zu Ihrem Teilnehmerzertifikat ein digitales Open Badge (Zertifikat) – Ihren modernen Nachweis für erworbene Kompetenzen.

Ihr Open Badge ist jederzeit in Ihrem persönlichen und kostenfreien Mein IT-Schulungen.com-Konto verfügbar. Mit wenigen Klicks können Sie diesen digitalen Nachweis in sozialen Netzwerken teilen, um Ihre Expertise sichtbar zu machen und Ihr berufliches Profil gezielt zu stärken.

Übersicht: Google Cloud Schulungen Portfolio

Mehr zu den Vorteilen von Badges

Seminare kurz vor der Durchführung