Sheikh Mastura Farzana
Membro dal giorno 2020
Campionato Argento
2790 punti
Membro dal giorno 2020
Questo corso ti offre un riepilogo dell'architettura encoder-decoder, che è un'architettura di machine learning potente e diffusa per attività da sequenza a sequenza come traduzione automatica, riassunto del testo e risposta alle domande. Apprenderai i componenti principali dell'architettura encoder-decoder e come addestrare e fornire questi modelli. Nella procedura dettagliata del lab corrispondente, implementerai in TensorFlow dall'inizio un semplice codice dell'architettura encoder-decoder per la generazione di poesie da zero.
Questo corso ti introdurrà al meccanismo di attenzione, una potente tecnica che consente alle reti neurali di concentrarsi su parti specifiche di una sequenza di input. Imparerai come funziona l'attenzione e come può essere utilizzata per migliorare le prestazioni di molte attività di machine learning, come la traduzione automatica, il compendio di testi e la risposta alle domande.
Questo corso introduce i modelli di diffusione, una famiglia di modelli di machine learning che recentemente si sono dimostrati promettenti nello spazio di generazione delle immagini. I modelli di diffusione traggono ispirazione dalla fisica, in particolare dalla termodinamica. Negli ultimi anni, i modelli di diffusione sono diventati popolari sia nella ricerca che nella produzione. I modelli di diffusione sono alla base di molti modelli e strumenti di generazione di immagini all'avanguardia su Google Cloud. Questo corso ti introduce alla teoria alla base dei modelli di diffusione e a come addestrarli ed eseguirne il deployment su Vertex AI.
Using large scale computing power to recognize patterns and "read" images is one of the foundational technologies in AI, from self-driving cars to facial recognition. The Google Cloud Platform provides world class speed and accuracy via systems that can utilized by simply calling APIs. With these and a host of other APIs, GCP has a tool for just about any machine learning job. In this introductory quest, you will get hands-on practice with machine learning as it applies to image processing by taking labs that will enable you to label images, detect faces and landmarks, as well as extract, analyze, and translate text from within images.
Non è un segreto che il machine learning sia uno dei campi in più rapida crescita nel settore tecnologico e la piattaforma Google Cloud è stata fondamentale per promuoverne lo sviluppo. Con le numerose API, Google Cloud dispone di uno strumento adeguato praticamente per qualsiasi job di machine learning. In questo corso introduttivo, farai pratica con il machine learning applicato all'elaborazione del linguaggio naturale partecipando ai lab che ti consentiranno di estrarre entità da un testo ed eseguire analisi del sentiment e della sintassi, nonché utilizzare l'API Speech-to-Text per la trascrizione.
Big data, machine learning e intelligenza artificiale sono i principali argomenti di computing trattati attualmente, ma questi campi sono piuttosto specializzati ed è complicato reperire materiale introduttivo. Fortunatamente, Google Cloud offre servizi facili da usare in queste aree e con questo corso di livello introduttivo, in modo da poter fare i primi passi con strumenti come BigQuery, API Cloud Speech e Video Intelligence.
In questo corso di livello introduttivo, farai pratica con gli strumenti e i servizi fondamentali di Google Cloud. Sono forniti video facoltativi per offrire più contesto e ripassare i concetti trattati nei lab. Concetti fondamentali di Google Cloud è il primo corso consigliato per chi vuole imparare a usare Google Cloud, Puoi iniziare con una conoscenza minima o nulla del cloud e uscirne con competenze pratiche che puoi applicare al tuo primo progetto Google Cloud. Dalla scrittura di comandi Cloud Shell e il deployment della tua prima macchina virtuale, fino all'esecuzione di applicazioni su Kubernetes Engine o con bilanciamento del carico, Concetti fondamentali di Google Cloud è un'introduzione di base alle funzionalità della piattaforma.