Çevrimiçi kurs – Google Cloud’un TensorFlow’u ile makine öğreniminde sertifikalı profesyonel uzmanlık

Google Cloud’da makine öğrenimi (ML) hakkında bilgi edinin. Deneyimlenecek gerçek verilere sahip pratik kurslar, alıştırmalar ve derinlemesine bilgiler içerir.

Suggested by: Coursera (What is Coursera?)

Professional Certificate

Orta seviye

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • iletişim becerileri
  • problem çözme
  • ekip çalışması
  • zaman yönetimi
  • eleştirel düşünme
  • teknolojik beceriler
  • liderlik
  • Bağımsız öğrenme yeteneği
  • Proje yönetimi becerileri
  • İş yönelimi

What you will learn in the course

Courses for which the course is suitable

  • Veri Bilimcisi
  • Makine Öğrenimi Mühendisi
  • Yapay Zeka Araştırmacısı
  • Veri Analisti
  • ML odaklı Yazılım Mühendisi
  • İş Zekası Geliştiricisi
  • Kantitatif Analist
  • Derin Öğrenme Uzmanı
  • Tahmine Dayalı Modelleyici
  • Bulut Çözümleri Mimarı

Staj – 5 yataklı kurs serisi

Makine öğrenimi nedir?

  • Makine öğrenmesindeki temel kavramları anlamak.
  • Makine öğrenmesi ile çözülebilecek problemler.

Kullanım senaryolarını dönüştürmenin beş adımı

  • Adım 1: Sorunun tanımlanması.
  • Adım 2: Veri toplama.
  • Adım 3: Veri işleme.
  • Adım 4: Modelin oluşturulması.
  • Adım 5: Modeli değerlendirin.
Adımların önemi
  • Bu adımları atlamamak neden önemlidir?

Sinir ağlarına odaklanmak

  • Günümüzde sinir ağlarına odaklanmanın nedenlerini anlamak.

Sorunu saptamak ve çözüm bulmak

  • Bir sorun oluşturmak.
  • Gradyan inişini kullanarak uygun bir çözüm bulma.
  • Veri kümesi oluşturma.

Dağıtılmış modeller oluşturma

  • Tensorflow’u kullanma.
  • Modellerin eğitiminin genişletilmesi.
  • Uygulanabilirliği yüksek tahminler elde etmek.

makine öğrenimi (ML)

  • Makine öğrenimi önemli özellikleri verilerden nasıl öğrenir?
  • İnsan analizini problemlere entegre etmek.

Doğru ve kapsamlı modeller oluşturmak

  • Belirli makine öğrenimi problemlerini çözme teorisini anlamak.
  • Uygun parametrelerin birleştirilmesi.

Odaklanmış bir makine öğrenimi stratejisi oluşturma

  • Eğitim sürecini uygulayın.
  • Modellerin optimizasyonu ve tam lansmanı.
  • Google Cloud Platform’daki manuel çalışma laboratuvarı.

Pratik bir öğrenme projesi

  • Qwiklabs platformunu entegre eden çalışma laboratuvarları.
  • Ders videolarında öğrenilen becerilerin kullanılması.
  • Google Cloud platformundaki ürünler gibi konular.

pratik deneyimler

  • Tüm modüllerde tartışılan terimlerin pratik deneyimleri.

Details of the courses that make up the specialization

Google makine öğrenimini nasıl yapıyor?

Kurs 1

  • Süre: 7 saat
  • Değerlendirme: 4,5 (132 değerlendirme)
Kurs detayları
  • Ne öğreneceksiniz:
    • Vertex AI platformunun açıklaması ve AutoML’de kod yazmaya gerek kalmadan makine öğrenimi modellerinin nasıl oluşturulacağı, eğitileceği ve başlatılacağı.
    • Google’ın bulutunda makine öğrenimini uygulamaya yönelik en iyi uygulamaların açıklaması.
    • Google bulut platformunun araçlarını ve ortamlarını makine öğrenimi amacıyla kullanma.
    • Sorumlu ada sorunlarına yönelik en iyi uygulamaların açıklanması.
Kazanacağınız beceriler
  • kategori: sınav tekrarı
  • Kategori: Belirsizlik Analizi
  • Kategori: Finansal analiz
  • Kategori: Makine öğrenimi dünyasına giriş için akış şeması

Kurs 2

  • Süre: 15 saat
  • Derecelendirme: 4,4 (50 derecelendirme)
Kurs detayları
  • Ne öğreneceksiniz:
    • Veri kalitesinin nasıl artırılacağına ve keşifsel veri analizinin nasıl gerçekleştirileceğine ilişkin bir açıklama.
    • Vertex AI ve BigQuery ML’yi kullanarak AutoML modelleri oluşturma ve eğitme.
    • Kayıp fonksiyonları ve performans ölçümlerini kullanarak modellerin optimizasyonu ve değerlendirilmesi.
    • Tekrarlanabilir ve genişletilebilir bir şekilde eğitim, değerlendirme ve test için veri setleri oluşturmak.
    • TensorFlow bilgisi.

Kurs 3

  • Süre: 19 saat
  • Değerlendirme: 3,8 (12 değerlendirme)
Kurs detayları
  • Ne öğreneceksiniz:
    • Bu kursun amacı TensorFlow 2.x ve Keras’ı kullanarak esnek ve sağlam makine öğrenimi modelleri oluşturmak, eğitmek ve dağıtmaktır.
    • TensorFlow 2.x API hiyerarşisi hakkında bilgi edinin ve uygulamalı alıştırmalar aracılığıyla TensorFlow’un temel bileşenlerini anlayın.
    • TensorFlow 2.x sürecinde veri kümeleriyle çalışma yöntemleri ve veri girişi maliyetleri hakkında bilgi edinin.
    • CSV verilerini, NumPy dizilerini, metin verilerini ve görüntüleri yüklemek için tf.data.Dataset ile uygulamalı alıştırmalar yapın.
    • Sayısal, kategorik, kategorik ve küçük niteliklerin oluşturulmasına yönelik uygulamalar.
    • Keras Sequential API’yi ve Keras Functional API’yi kullanarak makine öğrenimi modellerinin nasıl oluşturulacağını öğrenin.
    • Aktivasyon, kayıp ve optimizasyon fonksiyonlarını anlayın.
    • Jupyter Notebook alıştırmalarının bir parçası olarak temel doğrusal regresyon, temel lojistik regresyon ve gelişmiş lojistik regresyon modelleri oluşturun.
    • Cloud AI Platform’da makine öğrenimi modellerini geniş ölçekte nasıl eğiteceğinizi, başlatacağınızı ve çalıştıracağınızı öğrenin.

Kurs 4

  • Süre: 9 saat
  • Değerlendirme: 4,5 (10 değerlendirme)
Kurs detayları
  • Ne öğreneceksiniz:
    • Vertex AI özellik deposunu açıklayın ve iyi özellikler için gereken temel özellikleri karşılaştırın.
    • BigQuery ML, Keras ve TensorFlow’u kullanarak özellik mühendisliği gerçekleştirin.
    • Özellik hazırlama ve keşfetme için Dataflow ve Dataprep’in kullanımını tartışın.
    • tf.Transform’u kullanın.
Kazanacağınız beceriler
  • Kategori: dil endüstrisi
  • Kategori: Bilgi arama davranışı
  • Kategori: kolektif zeka
  • kategori: Sosyal medya madenciliği

Kurs 5

  • Süre: 18 saat
  • Değerlendirme: 4,4 (10 değerlendirme)
Kurs detayları
  • Ne öğreneceksiniz:
    • “Makine Öğrenimi Sanatı ve Bilimi” kursuna hoş geldiniz. Kurs 6 modülden oluşmaktadır.
    • Kurs, optimum performansa ulaşmak amacıyla makine öğrenimi modellerini doğru bir şekilde optimize etmek için gereken bilgiyi, doğru muhakemeyi ve temel yetenekleri açıklar.
    • Modelleri genelleştirmek için düzenlileştirme tekniklerini nasıl kullanacağınızı öğrenin ve ayrıca hiper parametrelerin (dizi boyutunun veya öğrenme oranının model performansı üzerindeki etkisi gibi) etkisini anlayın.
    • Bazı klasik optimizasyon algoritmalarını açıklayın ve TensorFlow kodunda optimizasyon yöntemlerinin nasıl belirleneceğini açıklayın.