可選擇實體或遠距上課
Google Cloud Certified: Professional Machine Learning Engineer認證考試推薦學習課程
學習目標和取得技能
- 將業務用例轉化為機器學習問題
- 描述如何提高數據質量
- 進行探索性數據分析
- 建立和訓練監督學習模型
- 使用損失函數和性能指標優化和評估模型
- 創建可重複且可擴展的訓練、評估和測試數據集
- 使用 Keras 和 TensorFlow 2.x 實施機器學習模型
- 了解梯度下降參數對準確性、訓練速度、稀疏性和概括性的影響
- 表示和變換特徵
- 使用 AI Platform 大規模訓練模型
教學方式
Google認證講師課堂中文指導
教材與實驗
Google原廠教材與Qwiklabs實驗室
課程適合對象
- 機器學習數據科學家和工程師
- 想要使用 TensorFlow 2.x 和 Keras 在雲端進行機器學習的機器學習科學家、數據科學家和數據分析師
- 數據工程師
前備知識
- 熟悉基本的機器學習概念
- 精通腳本語言，首選為 Python
課程大綱
課程包括課堂講解，演示和學員實作實驗
Module 1: Google 如何進行機器學習
- 圍繞機器學習制定數據策略
- 檢查用例，然後通過 ML 鏡頭重新構想這些用例
- 認識到 ML 可能放大的誤差
- 利用 Google Cloud Platform 工具和環境進行 ML
- 借鑒 Google 的經驗，避免常見的陷阱
- 在線上協作筆記本中執行數據科學任務
- 從 Cloud AI Platform 調用預訓練的 ML 模型
Module 2: 啟動機器學習
- 描述如何提高數據質量
- 進行探索性數據分析
- 建立和訓練監督學習模型
- 使用損失函數和性能指標優化和評估模型
- 緩解機器學習中出現的常見問題
- 創建可重複且可擴展的訓練、評估和測試數據集
Module 3: TensorFlow 2.x 簡介
- 創建 TensorFlow 2.x 和 Keras 機器學習模型
- 描述 Tensorflow 2.x 的關鍵組件
- 使用 tf.data 庫來處理數據和大型數據集
- 使用 Keras Sequential 和 Functional APIs 進行簡單和高級的模型創建
- 使用 Cloud AI Platform 大規模訓練、部署和生產 ML 模型
Module 4: 特徵工程
- 比較良好特徵的關鍵要求
- 通過要素交叉組合併創建新的要素組合
- 使用 BQML、Keras 和 TensorFlow 2.x 執行特徵工程
- 了解如何使用 Cloud Dataflow 和 Cloud Dataprep 預處理和探索功能
- 了解並應用 TensorFlow 如何轉換特徵
Module 5: 機器學習的藝術與科學
- 通過超參數調整優化模型性能
- 試用神經網絡並微調性能
- 通過嵌入層增強 ML 模型的功能
