Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
In interaktiven Notebooks erfahren Sie, wie Sie Modelle für maschinelles Lernen zur Klassifizierung und Vorhersage trainieren. In diesen Anleitungen wird Dataflow in End-to-End-Workflows für maschinelles Lernen eingebunden. 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 der Google Earth Engine, um die semantische Segmentierung zu demonstrieren.
In der Anleitung werden TensorFlow in Vertex AI zum Trainieren des Modells, TensorFlow in Cloud Run für Echtzeitvorhersagen und Dataflow für Batchvorhersagen verwendet.
Code auf GitHub ansehen
Zeitachsen-Regression für die Wettervorhersage
Dieses Wettervorhersagemodell verwendet ein PyTorch-Framework und Satellitendaten aus der Google Earth Engine, um Niederschlag für die nächsten zwei und sechs Stunden vorherzusagen.
In der Anleitung wird PyTorch verwendet, um ein vollständig convolutionales Netzwerk zu erstellen, Vertex AI, um das Modell zu trainieren, Dataflow, um das Dataset zu erstellen, und PyTorch, um lokale Vorhersagen zu treffen.
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.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-09-04 (UTC)."],[[["\u003cp\u003eThese interactive notebooks provide tutorials on training machine learning models for classification and prediction, integrating Dataflow into end-to-end workflows.\u003c/p\u003e\n"],["\u003cp\u003eThe land cover image segmentation tutorial uses TensorFlow and Google Earth Engine data to perform semantic segmentation, with Vertex AI for training, Cloud Run for real-time predictions, and Dataflow for batch predictions.\u003c/p\u003e\n"],["\u003cp\u003eThe weather forecasting tutorial utilizes PyTorch and satellite data to forecast precipitation, employing Vertex AI for training, Dataflow for dataset creation, and PyTorch for local predictions.\u003c/p\u003e\n"],["\u003cp\u003eThe global fishing watch tutorial employs TensorFlow and MMSI location data to classify ships as fishing or not, using Dataflow to create the dataset and Cloud Run to make predictions.\u003c/p\u003e\n"],["\u003cp\u003eThe wildlife image classification tutorial utilizes AutoML within Vertex AI to recognize animal species in camera trap photos, with Dataflow used to create the dataset and Vertex AI for predictions.\u003c/p\u003e\n"]]],[],null,["# Python ML tutorials\n\nLearn how to train machine learning models for classification and prediction by following the steps in\ninteractive notebooks. These tutorials integrate Dataflow into\nend-to-end machine learning workflows. You can also view the tutorials in\n[GitHub](https://github.com/GoogleCloudPlatform/python-docs-samples/tree/main/people-and-planet-ai).\n\n*** ** * ** ***\n\nLand cover image segmentation\n-----------------------------\n\nThis land classification model uses a [TensorFlow](https://www.tensorflow.org/)\nframework and satellite data from\n[Google Earth Engine](https://earthengine.google.com/) to demonstrate semantic segmentation.\nThe tutorial uses [TensorFlow in Vertex AI](/vertex-ai/docs/start/tensorflow)\nto train the model, TensorFlow in [Cloud Run](/run/docs) to\nmake real-time predictions, and Dataflow to make batch predictions.\n[View the code on GitHub.](https://github.com/GoogleCloudPlatform/python-docs-samples/tree/main/people-and-planet-ai/land-cover-classification)\n\n[](https://colab.sandbox.google.com/github/GoogleCloudPlatform/python-docs-samples/blob/main/people-and-planet-ai/land-cover-classification/README.ipynb)\n\n*** ** * ** ***\n\nWeather forecasting time series regression\n------------------------------------------\n\nThis weather forecasting model uses a [PyTorch](/vertex-ai/docs/start/pytorch)\nframework and satellite data from\n[Google Earth Engine](https://earthengine.google.com/) to\nforecast precipitation for the next two and six hours.\nThe tutorial uses PyTorch to create a fully convolutional network,\n[Vertex AI](/vertex-ai/docs/start/introduction-unified-platform) to train the\nmodel, Dataflow to create the dataset, and PyTorch to make local predictions.\n[View the code on GitHub.](https://github.com/GoogleCloudPlatform/python-docs-samples/tree/main/people-and-planet-ai/weather-forecasting)\n\n[](https://colab.sandbox.google.com/github/GoogleCloudPlatform/python-docs-samples/blob/main/people-and-planet-ai/weather-forecasting/notebooks/1-overview.ipynb)\n\n*** ** * ** ***\n\nGlobal fishing watch time series classification\n-----------------------------------------------\n\nThis classification model uses a [TensorFlow](https://www.tensorflow.org/)\nframework and Maritime Mobile Service Identity\n(MMSI) location data to classify whether a ship is fishing every hour.\nThe tutorial uses [Keras](https://keras.io/) and TensorFlow to train the\nmodel, Dataflow to create the dataset, and Keras in\n[Cloud Run](/run/docs) to make local predictions.\n[View the code on GitHub.](https://github.com/GoogleCloudPlatform/python-docs-samples/tree/main/people-and-planet-ai/timeseries-classification)\n\n[](https://colab.sandbox.google.com/github/GoogleCloudPlatform/python-docs-samples/blob/main/people-and-planet-ai/timeseries-classification/README.ipynb)\n\n*** ** * ** ***\n\nWildlife image classification\n-----------------------------\n\nThis classification model uses an [AutoML](/automl/docs) framework to\ncreate a model trained to recognize animal species from camera trap pictures.\nThe tutorial uses [AutoML in Vertex AI](/vertex-ai/docs/beginner/beginners-guide)\nto train the model, Dataflow to create the dataset, and\n[Vertex AI](/vertex-ai/docs/start/introduction-unified-platform) to make predictions.\n[View the code on GitHub.](https://github.com/GoogleCloudPlatform/python-docs-samples/tree/main/people-and-planet-ai/image-classification)\n\n[](https://colab.sandbox.google.com/github/GoogleCloudPlatform/python-docs-samples/blob/main/people-and-planet-ai/image-classification/README.ipynb)"]]
