Miembro desde 2024
Natural Language Processing on Google Cloud
Earned oct 13, 2024 EDT
Launching into Machine Learning - Español
Earned jun 22, 2024 EDT
Introducción a la IA y el aprendizaje automático en Google Cloud
Earned jun 15, 2024 EDT
Computer Vision Fundamentals with Google Cloud
Earned may 24, 2024 EDT
This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.
El curso comienza con un debate sobre los datos: cómo mejorar su calidad y cómo realizar análisis exploratorios de ellos. Describimos Vertex AI AutoML y cómo crear, entrenar e implementar un modelo de AA sin escribir una sola línea de código. Conocerás los beneficios de BigQuery ML. Luego, se analiza cómo optimizar un modelo de aprendizaje automático (AA) y cómo la generalización y el muestreo pueden ayudar a evaluar la calidad de los modelos de AA para el entrenamiento personalizado.
En este curso, se presentan las ofertas de aprendizaje automático (AA) en Google Cloud que compilan proyectos de IA predictiva y generativa. También se exploran las tecnologías, los productos y las herramientas disponibles durante el ciclo de vida desde los datos hasta la IA, que engloban los fundamentos, el desarrollo y las soluciones de IA. El objetivo es ayudar a científicos de datos, ingenieros de AA y desarrolladores de IA a mejorar sus habilidades y conocimientos a través de experiencias de aprendizaje atractivas y ejercicios prácticos.
This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models. The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data. The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models. Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.