Serverless Machine Learning with Tensorflow on Google Cloud Platform auf Deutsch
- 0.0
-
![]()
![]()
![]()
![]()
![]()
Approx. 15 hours to complete
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
Related Topics for further study
- Serverless Computing
- Machine Learning
- Google Cloud Platform
- Image Recognition
- 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
IntermediateCourse Format
- Online
- Self-paced
Similar Courses
- Machine Learning with TensorFlow on Google Cloud Platform
- Data Engineering on Google Cloud Platform
Related Education Paths
- Google Cloud Certified - Professional Machine Learning Engineer
- Google Cloud Certified - Professional Cloud Architect
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.***
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.
Serverless Machine Learning with Tensorflow on Google Cloud Platform auf Deutsch
- 0.0
-
![]()
![]()
![]()
![]()
![]()
***Wir möchten Sie darüber informieren, dass die Spezialisierung "Data Engineer, Big Data and ML on Google Cloud auf Deutsch" am 10....
