Découvrez comment entraîner des modèles de machine learning pour la classification et la prédiction en suivant les étapes des notebooks interactifs. Ces tutoriels intègrent Dataflow aux workflows de machine learning de bout en bout. Vous pouvez également consulter les tutoriels sur GitHub.
Segmentation d'images de l'occupation des sols
Ce modèle de classification des terres utilise un framework TensorFlow et des données satellite 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 de séries temporelles pour les prévisions 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 des séries temporelles Global Fishing Watch
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 de la faune
Ce modèle de classification utilise un framework AutoML pour créer un modèle entraîné à reconnaître les espèces animales à partir d'images de pièges photographiques.
Le 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.
Ce contenu vous a-t-il été utile ?
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/03/24 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Difficile à comprendre","hardToUnderstand","thumb-down"],["Informations ou exemple de code incorrects","incorrectInformationOrSampleCode","thumb-down"],["Il n'y a pas l'information/les exemples dont j'ai besoin","missingTheInformationSamplesINeed","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/03/24 (UTC)."],[[["These interactive notebooks provide tutorials on training machine learning models for classification and prediction, integrating Dataflow into end-to-end workflows."],["The 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."],["The 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."],["The 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."],["The 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."]]],[]]
