课程概况
機械学習とはどのようなもので、どのような問題解決に役立つのでしょうか。候補となるユースケースを機械学習で習得できる形に変換する5段階とは、そしてこれらの段階を省略しないことが重要である理由は何でしょうか。今、なぜニューラル ネットワークに注目が集まっているのでしょうか。
問題を設定し、勾配降下を使用して適切な解決策を見つけ、データセットを作成する方法について学びます。また、Tensorflow でスケーラブルな分散型機械学習モデルを作成して、これらのモデルのトレーニングを拡張し、高性能な予測ができるようになります。さらに、機械学習(ML)がデータから重要な特質を学習したり、人間による分析を問題に取り入れるように、生データを変換します。最後に、正確で一般化されたモデルを生成し、特定の ML 問題を解決する理論について、および適切なパラメータの組み合わせ方を学びます。まず ML 集中型の戦略の構築から始め、その後 Google Cloud Platform のハンズオンラボを通じてモデルのトレーニング、最適化、本稼働まで、ML に関する手順全体を実習します。
包含课程
课程1
How Google does Machine Learning 日本語版
機械学習とはどのようなもので、どのような問題の解決に役立つのでしょうか。Google では機械学習について、データだけでなくロジックの面からも独自の視点で考えています。こうした捉え方が、機械学習モデルのパイプライン構築を考えるうえでなぜ有効なのか説明します。次に、候補となるユースケースを機械学習で学習できる形に変換する 5 つの段階について説明し、こうした段階を省略しないことの重要性について論じます。最後に、機械学習が助長する可能性のある偏見の認識と、それを識別する方法について説明します。
课程2
Launching into Machine Learning 日本語版
機械学習の歴史を皮切りに、ニューラル ネットワークがさまざまな問題でうまく機能している理由をご紹介します。次に、教師あり学習の問題を設定し、勾配降下法を使用して適切な解決策を見つける方法について説明します。これには、一般化が可能になるデータセットの作成も含まれます。実験に対応するため、データセットを繰り返し作成できる方法について解説します。
コースの目標:
ディープ ラーニングが注目を集めている理由を知る
損失関数とパフォーマンス指標を使用して、モデルを最適化および評価する
機械学習で発生しがちな一般的な問題を軽減する
再現可能なスケーラブル トレーニング用、評価用、テスト用データセットを作成する
课程3
Intro to TensorFlow 日本語版
レベルの TensorFlow を導入し、分散型機械学習モデルを作成するために必要なコンセプトと API を開発します。TensorFlow モデルのトレーニングをスケールアウトし、Cloud Machine Learning Engine を使った高性能な予測を提供する方法について説明します。
コースの目的:
TensorFlow で機械学習モデルを作成する
TensorFlow ライブラリを使用して数値の問題を解決する
TensorFlow コードによくある問題のトラブルシューティングとデバッグを行う
tf.estimator を使用して ML モデルを作成、トレーニング、評価する
Cloud ML Engine を使用して ML モデルの大規模なトレーニング、デプロイ、本稼働を行う
课程4
Feature Engineering 日本語版
機械学習モデルの精度を高める方法や、特に有効な特徴を抽出するためのデータ列の見極め方を知りたい人におすすめのコースです。Feature Engineering on Google Cloud Platform では、良い特徴と悪い特徴の要素について、また、機械学習モデルで最適に使用できるように、特徴を前処理して変換する方法についても取り上げます。
このコースでは実践演習として、インタラクティブなラボを使用し、Google Cloud Platform 内で特徴を選択して前処理を行います。インストラクターが解答のコードについて説明します。解答のコードは、今後、皆さんが自身の ML プロジェクトに取り組む際に参照できるよう、一般公開される予定です。
课程5
Art and Science of Machine Learning 日本語版
「Art and Science of Machine Learning」へようこそ。このコースでは、機械学習モデルの微調整と最適化を行って高いパフォーマンスを得るために不可欠な直感と判断力、実験のスキルを習得します。
このコースでは、モデルのトレーニングで調整に使用するさまざまなノブやレバー、すなわち「ハイパーパラメータ」について学びます。最初にこうしたハイパーパラメータを手動で調整してモデルのパフォーマンスに与える影響を観察し、使い方に慣れてきたら、Google Cloud Platform で Cloud Machine Learning Engine を使用して、自動的に調整する方法を学習します。