Curso online – especialización profesional certificada en aprendizaje automático con TensorFlow por Google Cloud Institute

Descubre el mundo de AM con Google Cloud. Explore experimentos prácticos en todos los procesos y amplíe su conocimiento de las tecnologías más avanzadas.

Suggested by: Coursera (What is Coursera?)

Professional Certificate

nivel intermedio

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • habilidades de comunicacion
  • pensamiento crítico
  • resolución de problemas
  • trabajo en equipo
  • gestión del tiempo
  • liderazgo
  • habilidades de presentación
  • Pensamiento creativo
  • Lidiar con el estrés
  • habilidades tecnológicas

What you will learn in the course

Courses for which the course is suitable

  • científico de datos
  • Ingeniero de aprendizaje automático
  • Investigador de IA
  • Analista de datos
  • Desarrollador de aprendizaje automático
  • Especialista en aprendizaje profundo
  • Ingeniero de Big Data
  • Desarrollador de Inteligencia de Negocios
  • Analista Cuantitativo
  • Ingeniero de Software con enfoque en Machine Learning

Experiencia: una serie de cursos de 5 cursos

¿Qué es el aprendizaje automático y qué problemas puede resolver?

  • Los cinco pasos para convertir un posible caso de uso de aprendizaje automático
  • Es importante no ignorar estos pasos.

¿Por qué las redes neuronales tienen tanta demanda hoy en día?

  • Definición de problemas en el aprendizaje supervisado.
  • Encontrar una solución óptima con pendiente decreciente.
  • Creando bien conjuntos de datos

Usando TensorFlow

  • Mantenimiento de modelos distribuidos de aprendizaje automático con escala.
  • Realizar escalado horizontal para entrenamiento de modelos.
  • Ofrecer predicciones de alta calidad.

Convertir datos sin procesar en atributos

  • Identificar características importantes de los datos en el aprendizaje automático.
  • Ofreciendo conocimiento humano para apoyar el problema.

Combinando parámetros

  • Generando modelos precisos y completos
  • Introducción de teoría para resolver problemas específicos en aprendizaje automático.

Laboratorios prácticos con Google Cloud Platform

  • Todas las etapas del aprendizaje automático
  • Preparación de una estrategia enfocada de aprendizaje automático.
  • Entrenamiento, optimización y generación de modelos.
términos de servicio

Cuando se registra para esta experiencia, acepta los Términos de servicio de Qwiklabs como se detalla en la sección de preguntas frecuentes. Consulte los Términos de servicio aquí: https://qwiklabs.com/terms_of_service

Un proyecto de aprendizaje práctico.

Esta especialidad ofrece laboratorios prácticos utilizando la plataforma Qwiklabs. Con esta capacitación práctica, podrá aplicar todo lo que ha aprendido en las videoconferencias.

  • Los proyectos incluirán temas como los productos de Google Cloud Platform.
  • Experiencia práctica con los conceptos discutidos en los módulos.

Details of the courses that make up the specialization

Cómo Google aplica el aprendizaje automático en los cursos de portugués

Curso 1

  • 19 horas
  • 4,8 (73 valoraciones)
Detalles del curso
¿Qué aprenderás?
  • Cómo se utiliza la plataforma Vertex AI para crear, entrenar e implementar modelos de aprendizaje automático utilizando AutoML sin escribir una sola línea de código.
  • Describe las mejores prácticas para implementar el aprendizaje automático en Google Cloud.
  • Utilice las herramientas y el entorno de Google Cloud Platform para trabajar con ML.
  • Enumere los principios recomendados de una inteligencia artificial responsable.

Curso 2

  • 11 horas
  • 4,5 (31 valoraciones)
Detalles del curso
¿Qué aprenderás?
  • describir cómo mejorar la calidad de los datos y realizar análisis exploratorios a partir de ellos.
  • Cree y entrene modelos de AutoML con Vertex AI y BigQuery ML.
  • Optimice y evalúe modelos utilizando funciones de pérdida y métricas de rendimiento.
  • Cree conjuntos de datos repetibles y extensibles para capacitación, evaluación y pruebas.
habilidades que adquirirás
  • categoría: 1,96
  • Categoría: Valores
  • Categoría: a priori y a posterior
  • Categoría: valor crítico

Curso 3

  • 18 horas
  • 4,6 (23 valoraciones)
Detalles del curso
¿Qué aprenderás?
  • El objetivo del curso es aprovechar la flexibilidad y facilidad de uso de TensorFlow 2.x y Keras para crear, entrenar e implementar modelos de aprendizaje automático.
  • Aprenderá sobre la jerarquía API de TensorFlow 2.x y conocerá los componentes principales de TensorFlow con ejercicios prácticos.
  • Veremos cómo trabajar con conjuntos de datos y columnas de atributos.
  • Aprenderá a diseñar y crear una canalización de entrada de datos de TensorFlow 2.x.
  • Obtendrá experiencia práctica en la carga de datos CSV, matrices Numpy, datos de texto e imágenes usando tf.Data.Dataset y cómo crear columnas de atributos numéricos, categóricos, categóricos y hash.
  • Presentaremos las API Keras Sequential y Keras Functional para mostrar cómo crear modelos de aprendizaje profundo.
  • Discutiremos las funciones de activación, pérdida y optimización.
  • En los laboratorios prácticos de Jupyter, puede crear modelos de aprendizaje automático con regresión lineal básica y regresión logística básica y avanzada.
  • Aprenderá a entrenar, implementar y crear modelos de aprendizaje automático a escala con la plataforma AI de la nube.

Curso 4

  • 8 horas
  • 4,5 (15 valoraciones)
Detalles del curso
¿Qué aprenderás?
  • Describe la tienda de funciones de Vertex AI y compara los principales aspectos necesarios para lograr una buena función.
  • Se utiliza en la medición de funciones en BigQuery ML, Keras y TensorFlow.
  • Analice cómo realizar preprocesamiento y utilizar funciones con Dataflow y Dataprep.
  • Implementar tf.Transform.

Curso 5

  • 18 horas
  • 4,7 (15 valoraciones)
Detalles del curso
¿Qué aprenderás?
  • Este es el curso «Arte y ciencia del aprendizaje automático». El curso incluye seis módulos. Hablaremos de habilidades esenciales de intuición, razonamiento y experimentación en ML para adaptar y optimizar modelos y mejorar el rendimiento.
  • Aprenderá a escalar los modelos utilizando técnicas de regularización y conocerá los efectos de los hiperparámetros, como el tamaño del conjunto de datos y la tasa de aprendizaje, en el rendimiento del modelo.
  • También analizaremos algunos de los algoritmos más comunes para la optimización de modelos y mostraremos cómo especificar un método de optimización en el código de TensorFlow.