Overview

Save Big on Coursera Plus. 7,000+ courses at $160 off. Limited Time Only!

Grab it

このコースの目的は、柔軟で手軽な TensorFlow 2.x と Keras を使用して、機械学習モデルを作成、トレーニング、およびデプロイすることです。TensorFlow 2.x API の階層について学び、TensorFlow の主要コンポーネントを実践演習で理解します。データセットと特徴列の扱い方について学びます。TensorFlow 2.x 入力データパイプラインの設計と作成の方法について学びます。tf.data.Dataset を使用して csv データ、NumPy 配列、テキストデータ、および画像を読み込む実践演習を行います。数値、カテゴリ、バケット、およびハッシュの特徴列を作成する実践演習も行います。 Keras Sequential API と Keras Functional API を使用してディープラーニングモデルを作成する方法を学びます。活性化関数、損失、および最適化について学びます。Jupyter ノートブックの実践演習では、基本的な線形回帰、基本的なロジスティック回帰、および高度なロジスティック回帰の機械学習モデルを作成できます。Cloud AI Platform での大規模な機械学習モデルのトレーニング、デプロイ、および本稼働の方法について学びます。

Syllabus

コースの概要

これは TensorFlow 2.x の入門コースです。TensorFlow 2.x では手軽な Keras を活用して機械学習モデルを作成できます。このコースでは、TensorFlow 2.x 入力データパイプラインの設計と作成、TensorFlow 2.x と Keras を使用した機械学習モデルの作成、機械学習モデルの精度向上、大規模に使用する機械学習モデルの記述について取り上げます。

TensorFlow の概要

TensorFlow 2.x の新しいパラダイムについて学びます。TensorFlow API の階層について学び、TensorFlow の主要コンポーネント、テンソル、および変数を実践演習で理解します。

TensorFlow 入力データパイプラインの設計と作成

データセットと特徴列の扱い方について学びます。tf.data.Dataset を使用して csv データ、NumPy 配列、テキストデータ、および画像を読み込む実践演習を行います。数値、カテゴリ、バケット、およびハッシュの特徴列を作成する実践演習も行います。

Tensorflow 2 と Keras Sequential API を使用したニューラルネットワークのトレーニング

このモジュールでは、Keras Sequential API を使用して TensorFlow モデルを記述することを学びます。ただし、モデルの記述の前に、活性化関数、損失、および最適化について学びます。次に、Keras Sequential API を使用してディープラーニングモデルを作成する方法を学びます。クラウドに予測モデルをデプロイする方法についても学びます。

Tensorflow 2 と Keras Functional API を使用したニューラルネットワークのトレーニング

Sequential モデル API はほとんどのディープラーニングモデルの開発に適していますが、制約がいくつかあります。その一例を挙げると、入力ソースが複数あるモデル、出力先が複数になるモデル、レイヤを再利用するモデルを定義するのは単純ではありません。Keras Functional API は tf.keras.Sequential API より柔軟にモデルを作成する手段です。Functional API は非線形トポロジのモデル、レイヤを共有するモデル、入力または出力が複数あるモデルに対応できます。Keras Functional API ではモデルを柔軟に定義できます。特に、入力または出力が複数あるモデルや、レイヤを共有するモデルを定義できます。アドホックの非巡回ネットワークグラフを定義することもできます。大抵のディープラーニングモデルの主な目的は、レイヤの有向非巡回グラフ（DAG）です。Functional API はレイヤのグラフを作成する手段です。モデルのパフォーマンス向上に役立つ正則化についても学びます。

まとめ

このコースでこれまでに取り上げた TensorFlow のトピックをここでまとめます。コア TensorFlow コード、tf.data API、Keras Sequential API、および Keras Functional API について復習し、最後には Cloud AI Platform での機械学習モデルのスケーリングについて取り上げます。