一个男人面前放着两台笔记本电脑和台式电脑

云上的数据分析和机器学习(ML Ops)

注册接收电子邮件关于OU的机器学习项目。


课程描述:
机器学习作为一个领域现在非常普遍,应用领域包括商业智能、国土安全、生化相互作用分析、基础设施监控和天体物理学。深度学习是机器学习的一个分支,关注现代神经网络的发展和应用。深度学习算法以一种最大化给定任务性能的方式提取数据的分层高级表示。深度学习是人工智能领域最近许多进步的背后,包括Siri的语音识别、Facebook的标签建议、机器语言翻译和自动驾驶汽车。本课程介绍了使用TensorFlow 2.0的机器学习,这是一个非常流行的构建预测模型的框架。本课程将从机器学习的基本概念和谷歌的TensorFlow 2.0框架开始,逐步提供构建复杂机器学习模型的方法。我们将使用各种工具和平台,如Python、TensorFlow/Keras和谷歌Collaboratory notebook来构建、测试和部署机器学习模型。

这个为期7周的课程包含42个小时的在线同步教学,分为3个模块,涵盖了让学生接触人工智能和机器学习的基本主题。该计划是毕业和工作的工程师新人工智能和机器学习世界的理想选择。

该课程包括零售、医疗保健、金融服务和工业/制造业的专业。您可以选择一个或多个专业作为课程的一部分(每个专业为期3-5周)。您将理解下面定义的用例,并将一个端到端的用例作为项目的一部分实现。

成功完成课程后,将颁发PACE成就证书。

注册

学习成果
在课程结束时,学生将能够:

  • 解释机器学习模型是如何工作的
  • 把任务框定成机器学习问题
  • 使用机器学习工具包来实现设计的模型
  • 证明特定的机器学习技术在什么时候以及为什么适用于特定的问题
  • 构建、测试和部署复杂的机器学习模型来解决特定问题

暂定课程大纲

每个模块都包含相应的实践实验室,涵盖模块主题。

模块1:Python基础- 1周
  • Python教程,包括:
    • 数据类型和字符串
    • 用户定义函数
    • 熊猫系列
    • Lambda & Map
    • 类和对象简介

本模块涵盖了Python编程的基础知识。完成本模块后,学生将能够编写相当复杂的Python代码来处理数据。下表显示了本模块中涉及的主题。

Python基础知识

主题 细节

Python基础知识

  • 入门,数据类型和字符串,列表和元组,集合和字典,If Else语句,For和While循环,用户定义函数,读写文件,Pandas系列,数据帧,Lambda和Map

数据结构

  • 列表,元组,字典。
  • 使用内置模块和函数的字符串,计算和日期。
  • 面向对象编程(OOP)原理。

使用模块

  • 创建和使用函数。
  • 在类中创建模块;调用模块;从模块返回值;添加一个接受参数的方法;

类和对象简介

  • 创建类;创建对象;使用对象;添加实例变量;控制的可访问性;类成员的命名约定。内部类。
  • 类的构造函数;参数化构造函数。
  • 继承。过载。

文件,流,数据库连接和API

  • 打开,遍历,读取和创建文件:数据库,csv, txt和Json文件。
  • 连接数据库、创建数据库、删除数据库、创建表、修改表、删除表、插入、删除、更新记录、查询数据库和显示结果。
  • 连接到不同的api
模块2:使用TensorFlow进行机器学习- 4周
  • 机器学习概论
  • 什么是机器学习?
  • TensorFlow简介
  • 构建TensorFlow模型
  • 扩展和模型部署

本模块主要介绍谷歌云平台上机器学习的基础知识以及常用的ML和深度学习模型。使用TensorFlow构建模型,使用TensorBoard训练和评估其性能,以及部署模型。

使用TensorFlow 2.0进行机器学习

主题 细节

机器学习概论

  • 什么是机器学习?
  • 机器学习与数据科学
  • AI和ML世界中的一切都是如何适应的?

什么是机器学习?

  • 我们从机器学习开始
  • 设置云环境(GCP)
  • 了解谷歌Cloud的基础知识
  • 开发第一个机器学习模型-回归
  • 开发机器学习模型-分类

TensorFlow简介

  • TensorFlow是如何工作的?
  • 神经网络概论
  • TensorFlow入门
  • TensorFlow的区别和TensorFlow 2.x

构建TensorFlow模型

  • TensorFlow ML模型入门
  • 理解数据集
  • 准备训练模型
  • 训练深度神经网络模型
  • 理解TensorBoard
  • 什么是特征工程?
  • 改进模型性能——特征工程

扩展和模型部署

  • 云部署规划
  • 设置存储桶
  • 启用API和服务
  • 创建服务帐户密钥
  • 打包代码
  • 在谷歌云上运行ML作业
  • 部署ML模型

模块2的实验室
实验1:实现线性回归和KNN模型。
实验2:使用TensorFlow - Feature Engineering为DNN模型创建一个模型
实验3:使用特征工程提高模型性能。
实验4:使用Flask API部署TensorFlow模型。

单元三:行业焦点- 3周

该模块是针对零售、医疗保健、金融服务和工业/制造业的行业专业化。学生可以选择一个或多个专业作为课程的一部分。本模块将侧重于下面定义的用例,学生将实现一个端到端的用例,作为顶点项目的一部分。


行业集中 用例

零售

  • 需求预测
  • 零售搜索
  • 产品推荐
  • 库存优化

医疗保健

  • 远程医疗/虚拟护理
  • 互操作性的加速器
  • 医院影响预测
  • 生物医学数据分析

金融服务

  • 反洗钱(AML)
  • 了解你的客户(KYC)
  • 数字社会安全网
  • 借阅文件处理

工业/制造业

  • 工业自适应控制
  • 制造目测
  • 物流优化
  • 连接操作

模块3的实验室
实验1:理解一个业务问题,并使用Python实现一个探索性数据分析。
实验二:使用TensorFlow创建一个机器学习模型
实验3:使用特征工程提高模型性能
实验4:使用Flask API部署TensorFlow模型

证书的时间表
2022
时间:周二6-9pm,周六9am-12pm
日期:
模块#1 - 1月18日和22日
模块#2 - 1月25日,29日,2月1日,5日,8日,12日,15日,19日
模块#3 - 2月22日,26日,3月1日,5日,15日

导师信息
姓名:Vijayan Sugumaran
头衔:管理信息系统杰出教授
联系信息:sugumara@www.zhongqiwg.com

姓名:Naresh Jasotani
职位:专业客户工程师(AI / ML,数据与分析)

底特律办公室
联系信息: nareshjasotani@google.com
Baidu
map