Presentaremos TensorFlow de bajo nivel y abordaremos las API y los conceptos necesarios para poder escribir modelos de aprendizaje automático distribuido. Con un modelo de TensorFlow, explicaremos cómo escalar de manera horizontal el entrenamiento de ese modelo y ofreceremos predicciones de alto rendimiento mediante Cloud Machine Learning Engine. Objetivos del curso: Crear modelos de aprendizaje automático en TensorFlow Usar las bibliotecas de TensorFlow para resolver problemas numéricos Solucionar problemas y depurar errores de código comunes de TensorFlow Usar tf_estimator para crear, entrenar y evaluar un modelo de AA Entrenar, implementar y llevar a producción modelos de AA a gran escala con Cloud ML Engine
Este curso faz parte do Programa de cursos integrados Machine Learning with TensorFlow on Google Cloud Platform en Español
Intro to TensorFlow en Español
oferecido por
Programa - O que você aprenderá com este curso
Semana
17 minutos para concluir
Introducción
Comenzaremos el curso con una introducción de TensorFlow, la herramienta que usaremos para escribir programas de aprendizaje automático. En el primer curso, aprendió a formular problemas de negocios como problemas de aprendizaje automático. En el segundo, aprendió cómo funciona el aprendizaje automático en la práctica y cómo crear conjuntos de datos para ese uso específico. Ahora que ya cuenta con los datos necesarios, es hora de prepararse para escribir programas de aprendizaje automático.
2 vídeos (Total 7 mín.)
3 horas para concluir
Aspectos básicos de TensorFlow
Le presentaremos los componentes centrales de TensorFlow y obtendrá experiencia práctica en la compilación de programas de aprendizaje automático. Comparará y escribirá programas imperativos y de evaluación perezosa; trabajará con gráficos, sesiones y variables y, por último, depurará programas de TensorFlow.
19 vídeos (Total 72 mín.), 4 testes
19 videos
Introducción1min
Jerarquía de la API de TensorFlow3min
Evaluación perezosa4min
Gráficos y sesiones4min
Cómo evaluar un tensor2min
Cómo visualizar un grafo2min
Tensores6min
Variables6min
Introducción al lab Escritura de programas de TensorFlow de nivel bajo16s
Solución del lab8min
Introducción5min
Problemas de forma3min
Cómo corregir problemas de forma2min
Problemas de tipos de datos1min
Depuración de programas completos4min
Introducción a la depuración de programas completos15s
Demostración: Depuración de programas completos3min
3 exercícios práticos
¿Qué es TensorFlow?2min
Gráfico y sesión8min
Aspectos básicos de TensorFlow20min
Semana
24 horas para concluir
API de Estimator
En este módulo, aprenderá sobre la API de Estimator.
18 vídeos (Total 67 mín.), 4 testes
18 videos
Introducción1min
API de Estimator3min
Demostración: Modelo de predicción de precios de viviendas1min
Controles1min
Entrenamiento de conjuntos de datos en la memoria2min
Introducción al lab API de Estimator39s
Solución del lab API de Estimator10min
Entrenamiento de conjuntos de datos grandes con la API de Dataset8min
Introducción al lab Cómo escalar la transferencia de TensorFlow mediante lotes35s
Solución del lab Cómo escalar la transferencia de TensorFlow mediante lotes5min
Trabajos grandes y entrenamiento distribuido6min
Supervisión con TensorBoard3min
Demostración de la IU de TensorBoard28s
Función de entradas de entregas5min
Resumen: API de Estimator1min
Introducción al lab Creación de un modelo de TensorFlow para entrenamiento distribuido con la API de Estimator51s
Solución del lab: Creación de un modelo de TensorFlow para entrenamiento distribuido con la API de Estimator7min
1 exercício prático
Estimator API18min
Semana
32 horas para concluir
Escalamiento de modelos de TensorFlow con CMLE
En esta sesión, hablaremos sobre cómo tomar un modelo de TensorFlow y entrenarlo en la infraestructura administrada de GCP para el entrenamiento y la implementación de modelos de aprendizaje automático.
6 vídeos (Total 29 mín.), 2 testes
6 videos
Introducción31s
Implementación y supervisión de trabajos de entrenamiento2min
Introducción al lab Cómo escalar TensorFlow con Cloud Machine Learning Engine50s
Solución del lab Cómo escalar TensorFlow con Cloud Machine Learning Engine16min
1 exercício prático
Cuestionario: Cloud MLE10min
2 minutos para concluir
Resumen
En esta sesión, resumimos los temas de TensorFlow que se trataron durante este curso. Repasaremos el código básico de TensorFlow y la API de Estimator, y terminaremos con el escalamiento de los modelos de aprendizaje automático con Cloud Machine Learning Engine.
1 vídeo (Total 2 mín.)
1 vídeos
Resumen2min
Sobre 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.
Sobre Programa de cursos integrados Machine Learning with TensorFlow on Google Cloud Platform en Español
¿Qué es el aprendizaje automático? ¿Qué tipos de problemas puede solucionar? ¿Cuáles son las cinco fases para convertir un posible caso práctico en un recurso que pueda aprovechar la tecnología de aprendizaje automático? ¿Por qué es importante no saltarse fases? ¿Por qué las redes neuronales son tan populares? ¿Cómo plantear un problema de aprendizaje supervisado y encontrar una buena solución generalizable mediante un descenso de gradientes y una forma meditada de crear conjuntos de datos? Aprenda a escribir modelos de aprendizaje automático distribuido que escalen en Tensorflow y que brinden predicciones de alto rendimiento. Convierta los datos sin procesar en funciones de una forma que permita al AA aprender características importantes de los datos y aportar una percepción humana para abordar los problemas. Por último, aprenda a incorporar la combinación adecuada de parámetros que desarrolle modelos generalizados y exactos, y conozca la teoría para solucionar determinados tipos de problemas de AA. Experimentará con el AA de extremo a extremo, a partir de la construcción de una estrategia centrada en el AA y el avance hacia el entrenamiento, optimización y producción de modelos con labs prácticos mediante Google Cloud Platform.
>>> Al inscribirse en esta especialización acepta los Términos de Servicio de Qwiklabs según lo establecido en las Preguntas Frecuentes, disponibles en el apartado: https://qwiklabs.com/terms_of_service <<<
Perguntas Frequentes – FAQ
Posso assistir uma prévia do curso antes de me inscrever?
Sim, você pode assistir uma prévia do primeiro vídeo e ver programa do curso antes de se inscrever. Você precisa comprar o curso para ter acesso ao conteúdo não incluído na prévia.
Quando terei acesso às palestras e às tarefas?
Se decidir se inscrever no curso antes da data de início da sessão, terá acesso a todos os vídeos das palestras e leituras do curso. Também poderá enviar tarefas assim que a sessão começar.
O que recebo ao me inscrever?
Uma vez inscrito, e tão logo sua sessão tenha iniciado, você terá acesso a todos os vídeos e outros recursos, incluindo itens de leitura e fórum de discussão do curso. Você poderá ver e enviar tarefas práticas e concluir tarefas com nota atribuída obrigatórias para obter uma nota e um Certificado de Curso.
Quando receberei meu Certificado de Curso?
Se você concluir o curso com êxito, seu Certificado de Curso eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn.
Por que não posso assistir este curso como ouvinte?
Este curso é um dos poucos oferecidos pela Coursera que está disponível apenas para alunos que tenham pago ou recebido auxílio financeiro, quando disponível.
Qual é a política de reembolso?
Existe algum auxílio financeiro disponível?
Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.
O Coursera proporciona acesso universal à melhor educação do mundo fazendo parcerias com as melhores universidades e organizações para oferecer cursos on-line.
© 2019 Coursera Inc. Todos os direitos reservados.
