menu
arrow_back

Maschinelles Lernen mit TensorFlow

Maschinelles Lernen mit TensorFlow

Hours Minutes 7 Credits

GSP273

Google Cloud-Labs zum selbstbestimmten Lernen

Übersicht

In diesem Lab lernen Sie, wie Sie mit Google Cloud Machine Learning und TensorFlow Vorhersagemodelle entwickeln und bewerten, die auf maschinellem Lernen basieren. TensorFlow ist eine leistungsstarke, portierbare Open-Source-Bibliothek für maschinelles Lernen, die von Google entwickelt wurde und für das Arbeiten mit sehr großen Datasets geeignet ist.

Dieses Lab knüpft an vorherige Labs dieser Aufgabenreihe an, in denen Sie mithilfe einer logistischen Regression mit Spark und Pig ein grundlegendes Vorhersagemodell und anschließend mithilfe von Cloud Dataflow Trainings- und Test-Datasets erstellt haben. Dabei wurde eine Pipeline verwendet, die auch für Vorhersagen genutzt werden kann, weshalb bei den Vorhersagemodellen kein Risiko von Abweichungen zwischen Training und Bereitstellung besteht. Dieses Lab basiert auf Kapitel 9 des Buchs "Data Science on Google Cloud Platform" von O'Reilly Media Inc. mit dem Titel "Machine Learning Classifier Using TensorFlow".

Zuerst erstellen Sie ein experimentelles Framework in Python, um das grundlegende lineare Regressionsmodell mithilfe von TensorFlow zu replizieren. Anschließend erweitern Sie dieses Framework, um Modelle mit mehr Variablen zu bewerten. Anhand dieses Frameworks lassen sich dann die Leistungen der grundlegenden und komplexeren Modelle für maschinelles Lernen vergleichen.

Wie in allen Labs dieser Aufgabenreihe sammeln Sie in diesem Lab nützliche Erfahrungen mit Datenverarbeitungs- und Datenmodellierungstechniken. Mit diesem Wissen können Sie ein Datenmodell entwickeln, um vorherzusagen, ob Flüge am jeweiligen Zielflughafen verspätet ankommen. Die Vorhersagen basieren dabei auf bestimmten Daten zum Abflug, z. B. Ort, Abflugzeit, Verspätung beim Abflug, Rollzeiten usw.

Das verwendete Dataset enthält Verlaufsdaten zu Inlandsflügen in den USA, die der Website des US-amerikanischen Bureau of Transport Statistics entnommen wurden. Mit diesem Dataset können viele Data-Science-Konzepte und -Techniken demonstriert werden. Es wird in allen Labs der Aufgabenreihe Data Science on Google Cloud Platform: Machine Learning eingesetzt. In diesem Lab werden die aggregierten Datasets des vorherigen Labs dieser Aufgabenreihe, Zeitfenstergesteuerte Daten mit Apache Beam und Cloud Dataflow (Java) verarbeiten, verwendet.

Ziele

  • Grundlegendes experimentelles TensorFlow-Framework in Python entwickeln

  • Das Framework erweitern, um ein lineares Klassifikationsmodell mit zusätzlichen Funktionen zu erstellen

  • Das experimentelle Trainings- und Bewertungs-Framework für Google Cloud ML bereitstellen

Join Qwiklabs to read the rest of this lab...and more!

  • Get temporary access to the Google Cloud Console.
  • Over 200 labs from beginner to advanced levels.
  • Bite-sized so you can learn at your own pace.
Join to Start This Lab
Score

—/100

Check that the Python model.py file has been created

Schritt durchführen

/ 25

Check for a Tensorflow model in the /tensorflow/trained_model directory

Schritt durchführen

/ 25

Check for successful run of a gcloud ai-platform training job called flights-*

Schritt durchführen

/ 25

Check that a trained model has been saved to Google Storage

Schritt durchführen

/ 25