Participante desde 2024
Natural Language Processing on Google Cloud
Earned Oct 13, 2024 EDT
Launching into Machine Learning - Português Brasileiro
Earned Jun 22, 2024 EDT
Introdução à IA e ao machine learning no 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.
O curso começa com a seguinte discussão: como melhorar a qualidade dos dados e fazer uma análise exploratória deles? Descrevemos o AutoML na Vertex AI e como criar, treinar e implantar um modelo de ML sem escrever nenhuma linha de código. Você vai conhecer os benefícios do BigQuery ML. Depois vamos falar sobre como otimizar um modelo de machine learning (ML) e como a generalização e a amostragem podem ajudar na avaliação de qualidade dos modelos de ML em treinamentos personalizados.
Neste curso, apresentamos os recursos de IA e machine learning (ML) no Google Cloud que criam projetos de IA generativa e preditiva. Vamos conhecer as tecnologias, os produtos e as ferramentas disponíveis em todo o ciclo de vida de dados à IA, o que inclui os fundamentos dessa tecnologia, o desenvolvimento e as soluções dela. O objetivo é ajudar cientistas de dados, desenvolvedores de IA e engenheiros de ML a aprimorar habilidades e o conhecimento com experiências de aprendizado envolventes e exercícios práticos.
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.