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
- 實現生產 ML 系統的各種功能：靜態、動態和連續訓練；靜態和動態推理
- 通過建立從數據探索、預處理、特徵工程、模型構建、超參數調整、部署和服務的端到端管道來解決機器學習問題
- 開發一系列圖像分類模型從簡單的線性模型到具有批處理歸一化，增強和轉移學習的高性能卷積神經網絡（CNN）
- 使用 CNN、遞歸神經網絡（RNN）和 LSTM 預測時間序列值
- 將 ML 應用於自然語言文本使用 CNN、RNN、LSTM，可重用詞嵌入和編碼器/解碼器生成模型
- 在 TensorFlow 中實施基於內容的協作、混合和神經推薦模型
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
- 對機器學習感興趣的數據工程師和程式設計師
- 對在企業中如何利用機器學習感興趣的任何人
前備知識
- 學習過 Machine Learning with TensorFlow on Google Cloud Platform 或具備同等知識
- 能以 Python 進行程式編碼
- 基本統計知識
- 建議具備 SQL 和雲端運算的知識
課程大綱
課程包括課堂講解，演示和學員實作實驗
Module 1: Google Cloud Platform 上的機器學習
Module 2: 探索數據
Module 3: 創建數據集
Module 4: 建立模型
Module 5: 對模型進行操作
Module 6: 架構生產 ML 系統
Module 7: 為基於雲的分析和 ML 擷取數據
Module 8: 設計適應性 ML 系統
Module 9: 設計高性能 ML 系統
Module 10: 混合 ML 系統
Module 11: 歡迎使用 TensorFlow 在 GCP 上進行圖像理解
Module 12: 線性模型和 DNN 模型
Module 13: 卷積神經網絡（CNN）
Module 14: 處理數據短缺
Module 15: 更快更深入
Module 16: 用於圖像分類的預構建 ML 模型
Module 17: 使用序列
Module 18: 遞歸神經網絡 RNN
Module 19: 處理更長的序列
Module 20: Text 分類
Module 21: 可重複使用的嵌入
Module 22: RNN 編碼器/解碼器模型
Module 23: 推薦系統概述
Module 24: 基於內容的推薦系統
Module 25: 協作過濾推薦系統
Module 26: 推薦系統的神經網絡
Module 27: 構建端到端推薦系統
- 有效 ML
- 完全託管的 ML
Module 2: 探索數據
- 探索數據集
- BigQuery
- BigQuery 和 AI Platform Notebooks
Module 3: 創建數據集
- 創建數據集
Module 4: 建立模型
- 建立模型
Module 5: 對模型進行操作
- 對模型進行操作
- Cloud AI Platform
- 使用 Cloud AI Platform 進行訓練和部署
- BigQuery ML
- 使用 Cloud AI Platform 進行部署和預測
Module 6: 架構生產 ML 系統
- ML 系統的組件
- ML 系統的組件：數據分析和驗證
- ML 系統的組件：數據轉換 + 訓練者
- ML 系統的組件：Tuner + 模型評估和驗證
- ML 系統的組件：服務
- ML 系統的組件：業務流程 + 工作流程。
- ML 系統的組件：集成前端 + 存儲。
- 訓練設計決策
- 服務設計決策
- 從頭開始設計
Module 7: 為基於雲的分析和 ML 擷取數據
- 本地數據
- 大數據集
- 其他雲上的數據
- 現有數據庫
Module 8: 設計適應性 ML 系統
- 適應數據
- 更改分佈
- 對與錯的決定
- 系統錯誤
- 通過設計減輕訓練服務偏差
- 調試生產模型
Module 9: 設計高性能 ML 系統
- 訓練
- 預測
- 為什麼要進行分佈式訓練
- 分佈式訓練體系結構
- 更快的輸入管道
- 原生 TensorFlow 操作
- TensorFlow 記錄
- 並行管道
- 使用 All Reduce 的數據並行性
- 參數服務器方法
- 推理
Module 10: 混合 ML 系統
- 混合雲上的機器學習
- KubeFlow
- 嵌入式模型
- TensorFlow Lite
- 針對移動設備進行優化
Module 11: 歡迎使用 TensorFlow 在 GCP 上進行圖像理解
- 圖像作為可視數據
- 結構化數據與非結構化數據
Module 12: 線性模型和 DNN 模型
- 線性模型
- DNN 模型審查
- 評論：什麼是Dropout？
Module 13: 卷積神經網絡（CNN）
- 了解卷積
- CNN 模型參數
- 使用池化層
- 使用 TensorFlow 實施 CNN
Module 14: 處理數據短缺
- 數據短缺問題
- 數據擴充
- 轉移學習
- 沒有數據，沒有問題
Module 15: 更快更深入
- 批處理規範化
- 殘留網絡
- 加速器（CPU 與 GPU、TPU）
- TPU 估算器
- 神經架構搜索
Module 16: 用於圖像分類的預構建 ML 模型
- 預先構建的 ML 模型
- Cloud Vision API
- AutoML 視覺
- AutoML 體系結構
Module 17: 使用序列
- 序列數據和模型
- 從序列到輸入
- 使用線性模型建模序列
- 使用 DNN 建模序列
- 使用 CNN 建模序列
- variable-length problem4m
Module 18: 遞歸神經網絡 RNN
- RNN 簡介
- RNN 如何代表過去
- RNN 的限制
- 消失的梯度問題
Module 19: 處理更長的序列
- LSTM 和 GRU
- TensorFlow 中的 RNN
- 深度 RNN
- 改善損失功能
- 處理真實數據
Module 20: Text 分類
- 使用 Text
- Text 分類
- 選擇模型
- Python 與本機 TensorFlow
Module 21: 可重複使用的嵌入
- 製作單詞嵌入的歷史方法
- 製作單詞嵌入的現代方法
- 引入 TensorFlow Hub
- 在估算器中使用 TensorFlow Hub
Module 22: RNN 編碼器/解碼器模型
- 介紹 Encoder-Decoder Networks
- Attention Networks
- 使用 TensorFlow 訓練編碼器-解碼器模型
- 介紹 Tensor2Tensor
- AutoML Translation
- Dialogflow
Module 23: 推薦系統概述
- 推薦系統的類型
- 基於內容或協作
- 推薦系統的陷阱
Module 24: 基於內容的推薦系統
- 基於內容的推薦系統
- 相似性度量
- 建立用戶向量
- 使用用戶向量提出建議
- 為許多用戶提出建議
- 將神經網絡用於基於內容的推薦系統
Module 25: 協作過濾推薦系統
- 用戶反饋數據的類型
- 嵌入用戶和項目
- 分解方法
- ALS 算法
- 為 ALS 準備輸入數據
- 為有效的 WALS 輸入創建稀疏張量
- 實例化 WALS 估計器：從輸入到估計器
- 實例化 WALS 估計器：解碼 TFRecords
- 實例化 WALS 估計器：恢復密鑰
- 實例化 WALS 估算器：訓練和預測
- 協同過濾問題
- Cold Starts
Module 26: 推薦系統的神經網絡
- 混合推薦系統
- 上下文感知推薦系統
- 上下文感知算法
- 上下文後過濾
- 使用上下文感知算法建模
Module 27: 構建端到端推薦系統
- 體系結構概述
- Cloud Composer 概述
- Cloud Composer：DAG
- Cloud Composer：ML9 運營商
- Cloud Composer：計劃
- Cloud Composer：使用 Cloud Functions 觸發工作流
- Cloud Composer：監視和記錄
