Paso
2
Aprendizaje automático con TensorFlow en Google Cloud Platform
¿Qué es el aprendizaje automático y qué tipos de problemas puede solucionar? ¿Cuáles son las cinco fases para convertir un posible caso práctico en un recurso que pueda aprovechar la tecnología de aprendizaje automático? ¿Por qué es importante no saltarse fases? ¿Por qué las redes neuronales son tan populares? ¿Cómo podrías plantear un problema de aprendizaje supervisado y encontrar una buena solución generalizable mediante un descenso de gradientes y una forma bien pensada de crear conjuntos de datos?
Duración: 9 semanas

Descripción del curso

Aprende a escribir modelos de aprendizaje automático distribuidos que escalen en Tensorflow, que escalen de forma horizontal en el entrenamiento de esos modelos y que brinden predicciones de alto rendimiento. Convierte los datos sin procesar en atributos de una forma que permita al AA aprender características importantes de los datos y aportar una percepción humana para abordar el problema. Por último, aprende a incorporar la combinación adecuada de parámetros que genere modelos generalizados y exactos, y conocimiento de la teoría para solucionar determinados tipos de problemas del AA. Experimentarás con el AA de extremo a extremo, a partir de la construcción de una estrategia centrada en el AA y el avance hacia el entrenamiento, optimización y producción de modelos con labs prácticos mediante Google Cloud Platform.

Duración

9 semanas: bajo demanda

Objetivos de especialización

Esta serie de cursos les enseñará a los participantes las siguientes habilidades:

  • Cómo enmarcar un caso práctico empresarial como un problema de aprendizaje automático
  • Cómo crear conjuntos de datos de aprendizaje automático capaces de lograr la generalización
  • Cómo implementar modelos de aprendizaje automático con TensorFlow
  • Comprender el impacto de los parámetros de descenso de gradientes en la exactitud, velocidad de entrenamiento, dispersión y generalización
  • Cómo compilar y operar modelos de TensorFlow distribuidos
  • Cómo representar y transformar los atributos

Modo de presentación

Bajo demanda

Público

  • Ingenieros de datos y programadores interesados en aprender a aplicar el aprendizaje automático en la práctica
  • Cualquier persona interesada en aprender cómo crear y poner en funcionamiento los modelos de TensorFlow

Requisitos previos

Para aprovechar al máximo esta especialización, los participantes deben contar con los siguientes requisitos previos:

  • Experiencia en codificación en Python
  • Conocimiento de estadísticas básicas
  • Conocimiento de SQL y computación en la nube (útil)
Organización de la especialización

La especialización incluye presentaciones, demostraciones y labs prácticos.

¿Qué es el aprendizaje automático y qué tipos de problemas puede solucionar? Google opina sobre el aprendizaje automático de forma un poco diferente: se trata de lógica, en vez de simples datos. Hablamos de por qué un marco de este tipo es útil cuando pensamos en la creación de una canalización de modelos de aprendizaje automático. Luego, analizamos cinco fases para convertir un posible caso práctico en un recurso que pueda aprovechar la tecnología de aprendizaje automático y consideramos por qué es importante no saltarse las fases. Finalizamos con un reconocimiento de los sesgos que el aprendizaje automático puede amplificar y cómo reconocerlos.

Objetivos del curso:

  • Desarrollar una estrategia de datos en torno al aprendizaje automático
  • Examinar los casos prácticos que se reinventan a través de una perspectiva de AA
  • Reconocer los sesgos que el AA puede amplificar
  • Aprovechar las herramientas y el entorno de Google Cloud Platform para realizar el AA
  • Aprender de la experiencia de Google para evitar errores comunes
  • Llevar a cabo tareas de ciencia de datos en notebooks colaborativas en línea
  • Invocar los modelos de AA ya entrenados desde Cloud Datalab

A partir de un historial de aprendizaje automático, analizamos por qué las redes neuronales, en la actualidad, ofrecen un alto rendimiento ante una variedad de problemas. Luego, analizaremos cómo configurar un problema de aprendizaje supervisado y encontrar una solución adecuada mediante el descenso de gradientes. Esto incluye la creación de conjuntos de datos que permitan la generalización; hablaremos sobre los métodos para hacerlo de una manera repetible para admitir la experimentación.

Objetivos del curso:

  • Identificar por qué el aprendizaje profundo es popular en la actualidad
  • Optimizar y evaluar los modelos mediante las funciones de pérdida y las métricas de rendimiento
  • Mitigar los problemas comunes que surgen en el aprendizaje automático
  • Crear conjuntos de datos de entrenamiento, evaluación y prueba repetibles

Presentamos TensorFlow de bajo nivel y abordamos los conceptos y las API necesarios para poder escribir los modelos de aprendizaje automático distribuidos. Con un modelo de TensorFlow, explicamos cómo escalar, de manera horizontal, el entrenamiento de ese modelo y ofrecemos predicciones de alto rendimiento mediante Cloud Machine Learning Engine.

Objetivos del curso:

  • Crear modelos de aprendizaje automático en TensorFlow
  • Usar las bibliotecas de TensorFlow para resolver problemas numéricos
  • Solucionar problemas y depurar errores de código comunes de TensorFlow
  • Usar tf_estimator para crear, entrenar y evaluar un modelo de AA
  • Entrenar, implementar y producir modelos de AA a escala con Cloud ML Engine

Un componente clave de la creación de modelos de aprendizaje automático eficaces es convertir datos sin procesar en atributos de una forma que permita al AA aprender características importantes de los datos. Analizaremos cómo representar atributos y codificarlos en TensorFlow. Se puede utilizar la percepción humana en los problemas de aprendizaje automático mediante el uso de transformaciones de atributos personalizados. En este módulo, hablaremos sobre los tipos comunes de transformaciones y cómo implementarlas a escala.

  • Convertir los datos sin procesar en vectores de atributos
  • Procesar previamente y crear nuevas canalizaciones de atributos con Cloud Dataflow
  • Crear y también implementar combinaciones de atributos y evaluar su impacto
  • Escribir el código de transformación de TensorFlow para la ingeniería de atributos

El aprendizaje automático es un arte que supone conocer cuál es la combinación adecuada de parámetros que genera modelos generalizados y exactos, y una ciencia que implica el conocimiento de la teoría para solucionar determinados tipos de problemas de AA. Analizaremos la regulación, el tratamiento de la dispersión, las redes neuronales de clases múltiples, las incorporaciones reutilizables y muchos otros conceptos y principios esenciales.

  • Optimizar el rendimiento de modelos con ajuste de hiperparámetro
  • Experimentar con redes neuronales y optimizar el rendimiento
  • Mejorar los atributos del modelo de AA con capas incorporadas
  • Crear un código de modelo personalizado reutilizable con el Estimador personalizado