Date d'abonnement : 2024
Natural Language Processing on Google Cloud
Earned oct. 13, 2024 EDT
Launching into Machine Learning - Français
Earned juin 22, 2024 EDT
Présentation de l'IA et du machine learning sur Google Cloud
Earned juin 15, 2024 EDT
Computer Vision Fundamentals with Google Cloud
Earned mai 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.
Le cours commence par une discussion sur les données : vous découvrirez comment améliorer leur qualité et effectuer des analyses exploratoires. Ensuite, nous vous présenterons Vertex AI AutoML et vous expliquerons comment créer, entraîner et déployer un modèle de machine learning (ML) sans écrire une ligne de code. Vous découvrirez également les avantages de BigQuery ML. Enfin, nous verrons comment optimiser un modèle de ML, et en quoi la généralisation ainsi que l'échantillonnage peuvent vous aider à évaluer la qualité des modèles de ML destinés à un entraînement personnalisé.
Ce cours présente les solutions d'IA et de machine learning (ML) de Google Cloud permettant de développer des projets d'IA prédictive et générative. Il décrit les technologies, produits et outils disponibles tout au long du cycle de vie des données à l'IA, en englobant les éléments de base, le développement et les solutions d'IA. Son but est d'aider les data scientists, les développeurs d'IA et les ingénieurs en ML à améliorer leurs compétences et connaissances par le biais d'expériences d'apprentissage captivantes et d'exercices pratiques.
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.