GCPAMLTF - Advanced Machine Learning with TensorFlow on Google Cloud Platform

Thời lượng: 05 ngày

Trainocate Vietnam - Google Cloud Partner sẽ hướng dẫn học viên cách xây dựng các mô hình có khả năng mở rộng, chính xác và sẵn sàng sản xuất cho dữ liệu có cấu trúc, dữ liệu hình ảnh, chuỗi thời gian và văn bản ngôn ngữ tự nhiên, cùng với các hệ thống đề xuất trên Google Cloud Platform.

• Làm quen với Google Cloud Platform thông qua lộ trình học Google Cloud.
• Triển khai nhiều loại hệ thống ML sản xuất khác nhau—đào tạo tĩnh, động và liên tục; suy luận tĩnh và động; và xử lý hàng loạt và trực tuyến.
• Giải quyết vấn đề ML bằng cách xây dựng một đường ống đầu cuối, đi từ khám phá dữ liệu, xử lý trước, kỹ thuật tính năng, xây dựng mô hình, điều chỉnh siêu tham số, triển khai và phục vụ.
• Phát triển một loạt các mô hình phân loại hình ảnh từ các mô hình tuyến tính đơn giản đến các mạng nơ-ron tích chập (CNN) hiệu suất cao với chuẩn hóa hàng loạt, tăng cường và học chuyển giao.
• Dự báo các giá trị chuỗi thời gian bằng CNN, mạng nơ-ron hồi quy (RNN) và LSTM.
• Áp dụng ML vào văn bản ngôn ngữ tự nhiên bằng CNN, RNN, LSTM, nhúng từ có thể tái sử dụng và các mô hình tạo mã hóa-giải mã.
• Triển khai các mô hình đề xuất dựa trên nội dung, cộng tác, kết hợp và thần kinh trong TensorFlow.

Mô-đun 1: Học máy trên Google Cloud Platform

• ML hiệu quả.
• ML được quản lý hoàn toàn.

Mô-đun 2: Khám phá dữ liệu

• Khám phá tập dữ liệu.
• BigQuery.
• BigQuery và AI Platform Notebooks.

Mô-đun 3: Tạo tập dữ liệu

• Tạo tập dữ liệu.

Mô-đun 4: Xây dựng mô hình

• Xây dựng mô hình.

Mô-đun 5: Vận hành mô hình

• Vận hành mô hình.
• Nền tảng AI đám mây.
• Đào tạo và triển khai với Nền tảng AI đám mây.
• BigQuery ML.
• Triển khai và dự đoán với Nền tảng AI đám mây.

Mô-đun 6: Kiến trúc hệ thống ML sản xuất

• Các thành phần của hệ thống ML.
• Các thành phần của hệ thống ML: Phân tích và xác thực dữ liệu.
• Các thành phần của hệ thống ML: Chuyển đổi dữ liệu + Người đào tạo.
• Các thành phần của hệ thống ML: Bộ điều chỉnh + Đánh giá và xác thực mô hình.
• Các thành phần của hệ thống ML: Phục vụ.
• Các thành phần của hệ thống ML: Phối hợp + Quy trình làm việc.
• Các thành phần của hệ thống ML: Giao diện tích hợp + Lưu trữ.
• Quyết định thiết kế đào tạo.
• Quyết định thiết kế phục vụ.
• Thiết kế từ đầu.

Mô-đun 7: Thu thập dữ liệu cho phân tích dựa trên đám mây và ML

• Dữ liệu tại chỗ.
• Bộ dữ liệu lớn.
• Dữ liệu trên các đám mây khác.
• Cơ sở dữ liệu hiện có.

Mô-đun 8: Thiết kế hệ thống ML có thể thích ứng

• Thích ứng với dữ liệu.
• Thay đổi phân phối.
• Quyết định đúng và sai.
• Lỗi hệ thống.
• Giảm thiểu độ lệch đào tạo-phục vụ thông qua thiết kế.
• Gỡ lỗi mô hình sản xuất.

Mô-đun 9: Thiết kế hệ thống ML hiệu suất cao

• Đào tạo.
• Dự đoán.
• Tại sao đào tạo phân tán?
• Kiến trúc đào tạo phân tán.
• Đường ống đầu vào nhanh hơn.
• Hoạt động TensorFlow gốc.
• Bản ghi TensorFlow.
• Đường ống song song.
• Song song dữ liệu với All Reduce.
• Phương pháp tiếp cận máy chủ tham số.
• Suy luận.

Mô-đun 10: Hệ thống ML lai

• Học máy trên đám mây lai.
• KubeFlow.
• Mô hình nhúng.
• TensorFlow Lite.
• Tối ưu hóa cho thiết bị di động.

Mô-đun 11: Chào mừng đến với Hiểu về hình ảnh với TensorFlow trên GCP

• Hình ảnh dưới dạng dữ liệu trực quan.
• Dữ liệu có cấu trúc so với dữ liệu không có cấu trúc.

Mô-đun 12: Mô hình tuyến tính và DNN

• Mô hình tuyến tính.
• Đánh giá mô hình DNN.
• Đánh giá: Dropout là gì?

Mô-đun 13: Mạng nơ-ron tích chập (CNN)

• Hiểu về tích chập.
• Tham số mô hình CNN.
• Làm việc với các lớp gộp.
• Triển khai CNN với TensorFlow.

Mô-đun 14: Xử lý tình trạng khan hiếm dữ liệu

• Vấn đề khan hiếm dữ liệu.
• Tăng cường dữ liệu.
• Học chuyển giao.
• Không có dữ liệu, không có vấn đề.

Mô-đun 15: Đi sâu hơn, nhanh hơn

• Chuẩn hóa hàng loạt.
• Mạng dư.
• Bộ tăng tốc (CPU so với GPU, TPU).
• Bộ ước tính TPU.
• Tìm kiếm kiến ​​trúc nơ-ron.

Mô-đun 16: Mô hình ML dựng sẵn để phân loại hình ảnh

• Mô hình ML dựng sẵn.
• API Cloud Vision.
• Tầm nhìn AutoML.
• Kiến trúc AutoML.

Mô-đun 17: Làm việc với Chuỗi

• Dữ liệu và mô hình chuỗi.
• Từ chuỗi đến đầu vào,
• Mô hình hóa chuỗi bằng mô hình tuyến tính.
• Mô hình hóa chuỗi bằng DNN.
• Mô hình hóa chuỗi bằng CNN.
• Bài toán độ dài thay đổi.

Mô-đun 18: Mạng nơ-ron hồi quy

• Giới thiệu về Mạng nơ-ron hồi quy.
• RNN biểu diễn quá khứ như thế nào.
• Giới hạn của những gì RNN có thể biểu diễn.
• Bài toán độ dốc biến mất.

Mô-đun 19: Xử lý Chuỗi dài hơn

• LSTM và GRU.
• RNN trong TensorFlow.
• RNN sâu.
• Cải thiện Hàm mất mát của chúng ta.
• Làm việc với Dữ liệu thực.

Mô-đun 20: Phân loại văn bản

• Làm việc với Văn bản.
• Phân loại văn bản.
• Chọn Mô hình.
• Python so với TensorFlow gốc.

Mô-đun 21: Nhúng có thể tái sử dụng

• Các phương pháp nhúng từ trong lịch sử.
• Các phương pháp nhúng từ hiện đại.
• Giới thiệu về TensorFlow Hub.
• Sử dụng TensorFlow Hub trong một trình ước tính.

Mô-đun 22: Mạng nơ-ron hồi quy Mô hình mã hóa-giải mã

• Giới thiệu về mạng mã hóa-giải mã.
• Mạng chú ý.
• Đào tạo mô hình mã hóa-giải mã với TensorFlow.
• Giới thiệu về Tensor2Tensor.
• Dịch thuật AutoML.
• Dialogflow.

Mô-đun 23: Tổng quan về hệ thống đề xuất

• Các loại hệ thống đề xuất.
• Dựa trên nội dung hay cộng tác.
• Những cạm bẫy của hệ thống đề xuất.
• Mô-đun 24: Hệ thống đề xuất dựa trên nội dung
• Hệ thống đề xuất dựa trên nội dung.
• Các biện pháp tương tự.
• Xây dựng vectơ người dùng.
• Đưa ra đề xuất bằng vectơ người dùng.
• Đưa ra đề xuất cho nhiều người dùng.
• Sử dụng mạng nơ-ron cho hệ thống đề xuất dựa trên nội dung.

Mô-đun 25: Hệ thống đề xuất lọc cộng tác

• Các loại dữ liệu phản hồi của người dùng.
• Nhúng người dùng và mục.
• Các phương pháp phân tích thừa số.
• Thuật toán ALS.
• Chuẩn bị dữ liệu đầu vào cho ALS.
• Tạo tenxơ thưa thớt để có đầu vào WALS hiệu quả.
• Khởi tạo một WALS Estimator: Từ Input đến Estimator.
• Khởi tạo một WAL Estimator: Giải mã TFRecords.
• Khởi tạo một WALS Estimator: Khôi phục Keys.
• Khởi tạo một WALS Estimator: Đào tạo và Dự đoán.
• Các vấn đề với Lọc cộng tác.
• Khởi động nguội.

Mô-đun 26: Mạng nơ-ron cho Hệ thống đề xuất

• Hệ thống đề xuất lai.
• Hệ thống đề xuất nhận biết ngữ cảnh.
• Thuật toán nhận biết ngữ cảnh.
• Lọc hậu ngữ cảnh.
• Mô hình hóa bằng Thuật toán nhận biết ngữ cảnh.

Mô-đun 27: Xây dựng Hệ thống đề xuất đầu cuối

• Tổng quan về kiến ​​trúc.
• Tổng quan về Cloud Composer.
• Cloud Composer: DAG.
• Cloud Composer: Toán tử cho ML9.
• Cloud Composer: Lên lịch.
• Cloud Composer: Kích hoạt quy trình làm việc bằng Cloud Functions.
• Cloud Composer: Giám sát và ghi nhật ký

• Kỹ sư dữ liệu và lập trình viên quan tâm đến việc tìm hiểu cách áp dụng máy học vào thực tế.
• Bất kỳ ai quan tâm đến việc tìm hiểu cách tận dụng máy học trong doanh nghiệp của họ.

Để tận dụng tối đa khóa đào tạo này, người tham gia nên có:

• Kiến thức về máy học và TensorFlow ở mức độ được đề cập trong khóa học Máy học trên Google Cloud.
• Kinh nghiệm lập trình bằng Python.
• Kiến thức về thống kê cơ bản.
• Kiến thức về SQL và điện toán đám mây (hữu ích).

Khóa học này không đi kèm đến bất kỳ chứng nhận nào.

Hãy liên hệ qua Fanpage Trainocate Vietnam để nhận thêm thông tin thi chứng chỉ Google Cloud.

Tìm hiểu thêm về các khóa học Google Cloud tại Trainocate Vietnam nhé!