Erfahren Sie, wie Sie Modelle für maschinelles Lernen für die Klassifizierung und Vorhersage trainieren, indem Sie die Schritte in interaktiven Notebooks ausführen. Diese Anleitungen binden Dataflow in End-to-End-Workflows für maschinelles Lernen ein. Sie können sich die Anleitungen auch auf GitHub ansehen.
Segmentierung von Bildern der Landoberfläche
Dieses Modell zur Landklassifizierung verwendet ein TensorFlow-Framework und Satellitendaten aus Google Earth Engine, um die semantische Segmentierung zu demonstrieren. In dieser Anleitung wird TensorFlow in Vertex AI zum Trainieren des Modells, TensorFlow in Cloud Run für Echtzeitvorhersagen und Dataflow für Batchvorhersagen verwendet. Sehen Sie sich den Code auf GitHub an.
Zeitachsen-Regression für die Wettervorhersage
Dieses Wetterprognosemodell verwendet ein PyTorch-Framework und Satellitendaten von Google Earth Engine, um die Niederschlagsmenge für die nächsten zwei und sechs Stunden zu prognostizieren. In dieser Anleitung wird PyTorch zum Erstellen eines vollständig faltenden Netzwerks, Vertex AI zum Trainieren des Modells, Dataflow zum Erstellen des Datasets und PyTorch zum Erstellen lokaler Vorhersagen verwendet. Sehen Sie sich den Code auf GitHub an.
Globale Klassifizierung der Zeitachsen für die Fischereiüberwachung
Für das Klassifizierungsmodell werden ein TensorFlow-Framework und die Standortdaten der Maritime Mobile Service Identity (MMSI), um zu klassifizieren, ob ein Schiff stündlich Fischfang betreibt. In der Anleitung werden Keras und TensorFlow verwendet, um das Modell zu trainieren, Dataflow, um das Dataset zu erstellen, und Keras in Cloud Run, um lokale Vorhersagen zu machen. Sehen Sie sich den Code auf GitHub an.
Klassifizierung von Tierbildern
Dieses Klassifizierungsmodell verwendet ein AutoML-Framework, um ein Modell zu erstellen, das darauf trainiert ist, Tierarten aus Bildern von Kamerafallen zu erkennen. Das Tutorial verwendet AutoML in Vertex AI, um das Modell zu trainieren, Dataflow, um das Dataset zu erstellen, und Vertex AI, um Vorhersagen zu treffen. Sehen Sie sich den Code auf GitHub an.