TensorFlow入门 – 德语版

课程概况

Dies ist eine Einführung in die Grundlagen von TensorFlow. Darin werden die Konzepte und APIs erläutert, die Sie zum Schreiben verteilter Modelle für maschinelles Lernen benötigen. Außerdem wird anhand eines TensorFlow-Modells erklärt, wie Sie Modelle in großem Umfang trainieren und mit Cloud Machine Learning Engine effektive Vorhersagen treffen können.

Lernziele:
Modelle für maschinelles Lernen in TensorFlow erstellen
Diverse Herausforderungen mit TensorFlow-Bibliotheken lösen
Gängige Codefehler in TensorFlow beheben
Mit tf.estimator ein ML-Modell erstellen, trainieren und bewerten
ML-Modelle im großen Umfang mit Cloud ML Engine trainieren, bereitstellen und in der Produktion verwenden

课程大纲

Einführung

Zum Schreiben von Programmen für maschinelles Lernen verwenden wir TensorFlow. Dieser Kurs bietet daher eine Einführung in das Tool. Im ersten Kurs haben Sie erfahren, wie Sie geschäftliche Herausforderungen in Aufgaben für das maschinelle Lernen umformulieren. Sie haben gelernt, wie maschinelles Lernen in der Praxis funktioniert und wie Sie verwertbare Datasets erstellen. Nachdem Sie die benötigten Daten erfasst haben, können Sie mit dem Schreiben von ML-Programmen beginnen.

Kernkonzept von TensorFlow

Dies ist eine Einführung in die Hauptkomponenten von TensorFlow und Sie lernen in praktischen Übungen, wie Sie ein ML-Programm erstellen. Außerdem vergleichen und schreiben Sie Programme für verzögerte Bewertungen sowie erforderliche Programme, arbeiten mit Graphen, Sitzungen und Variablen und beheben schließlich Fehler in TensorFlow-Programmen.

Estimator API

In diesem Modul wird die Estimator API erläutert.

TensorFlow-Modelle mit CMLE skalieren

In diesem Modul erfahren Sie, wie Sie Ihr TensorFlow-Modell in der verwalteten Infrastruktur der GCP durch maschinelles Lernen trainieren und bereitstellen.

Zusammenfassung

Hier fassen wir die bisher in diesem Kurs behandelten TensorFlow-Themen zusammen. Wir gehen noch einmal auf den Kerncode von TensorFlow und die Estimator API ein. Den Abschluss bildet die Skalierung Ihrer Modelle für maschinelles Lernen mit Cloud Machine Learning Engine.