Découvrez comment entraîner des modèles de machine learning pour la classification et la prédiction en suivant les étapes décrites dans les notebooks interactifs. Ces tutoriels intègrent Dataflow aux workflows de machine learning de bout en bout. Vous pouvez également consulter les tutoriels dans GitHub.
Segmentation d'image de couverture terrestre
Ce modèle de classification des terres utilise un framework TensorFlow et des données satellite provenant de Google Earth Engine pour illustrer la segmentation sémantique. Le tutoriel exploite TensorFlow dans Vertex AI pour entraîner le modèle, TensorFlow dans Cloud Run pour effectuer des prédictions en temps réel, et Dataflow pour effectuer des prédictions par lot. Affichez le code sur GitHub.
Régression temporelle de prévision météo
Ce modèle de prévision météo utilise un framework PyTorch et des données satellite de Google Earth Engine pour prévoir les précipitations pour les deux et six prochaines heures. Ce tutoriel utilise PyTorch pour créer un réseau entièrement convolutif, Vertex AI pour entraîner le modèle, Dataflow pour créer l'ensemble de données et PyTorch pour effectuer des prédictions locales. Affichez le code sur GitHub.
Classification mondiale des séries temporelles de surveillance de la mer
Ce modèle de classification utilise un framework TensorFlow et des données de localisation Maritime Mobile Service Identity (MMSI) pour déterminer si un navire pêche toutes les heures. Ce tutoriel utilise Keras et TensorFlow pour entraîner le modèle, Dataflow pour créer l'ensemble de données, et Keras dans Cloud Run pour effectuer des prédictions locales. Affichez le code sur GitHub.
Classification d'images d'animaux sauvages
Ce modèle de classification utilise un framework AutoML pour créer un modèle entraîné à reconnaître les espèces animales à partir d'images de pièges photo. Ce tutoriel utilise AutoML dans Vertex AI pour entraîner le modèle, Dataflow pour créer l'ensemble de données et Vertex AI pour effectuer des prédictions. Affichez le code sur GitHub.