O que é aprendizado de máquina e que tipos de problema ele pode resolver? O Google pensa no aprendizado de máquina de uma maneira um pouco diferente. Ele se concentra mais na lógica, em vez de apenas em dados. Discutimos por que esse modelo é útil quando pensamos na criação de canais de modelos de aprendizado de máquina. Em seguida, falamos sobre as cinco fases da conversão de um possível caso de uso a ser realizado por aprendizado de máquina e vemos a importância de não ignorar essas fases. Finalizamos com a identificação das tendências que podem ser ampliadas pelo aprendizado de máquina e como reconhecer isso.

Discutiremos por que hoje as redes neurais funcionam tão bem para lidar com vários problemas, começando pela história do aprendizado de máquina. Em seguida, falaremos sobre como configurar um problema de aprendizado supervisionado e encontrar uma boa solução com gradiente descendente. Isso envolve a criação de conjuntos de dados que permitem a generalização. Esses métodos serão abordados de maneira didática para auxiliar na realização dos testes. Objetivos do curso: Identificar por que o aprendizado profundo é mais usado hoje em dia Otimizar e avaliar modelos usando funções de perda e métricas de desempenho Reduzir problemas comuns que surgem no aprendizado de máquina Criar conjuntos de dados de treinamento, avaliação e testes que podem ser repetidos e escalonáveis

Apresentaremos o TensorFlow de baixo nível e trabalharemos com os conceitos e APIs necessários para gravar modelos de aprendizado de máquina distribuídos. Levando em consideração os modelos do TensorFlow, explicaremos como fazer o escalonamento horizontal do treinamento desse modelo e oferecer previsões de alto desempenho com o Cloud Machine Learning Engine. Objetivos do curso: Criar modelos de aprendizado de máquina no TensorFlow Usar as bibliotecas do TensorFlow para solucionar problemas numéricos Resolver problemas e lidar com dificuldades comuns do código do TensorFlow Usar o tf_estimator para criar, treinar e avaliar modelos de aprendizado de máquina Treinar, implantar e produzir modelos de aprendizado de máquina em escala com o Cloud ML Engine

Quer aprender a melhorar a precisão dos seus modelos de aprendizado de máquina? Que tal descobrir quais colunas de dados criam os atributos mais úteis? Damos as boas-vindas ao curso Feature Engineering no Google Cloud Platform. Falaremos sobre a diferença entre atributos bons e ruins, além de como pré-processar e transformar essas variáveis para o uso ideal nos seus modelos de aprendizado de máquina. Nesse curso, você fará laboratórios interativos para ver na prática como escolher atributos e fazer o pré-processamento no Google Cloud Platform. Nossos instrutores apresentarão as soluções de código em detalhes, que também serão disponibilizadas para usar como referência nos seus próprios projetos de aprendizado de máquina.