Advanced 5 Schritte 7 Stunden 35 Guthabenpunkte
Dies ist die zweite von zwei Aufgabenreihen mit praxisorientierten Labs, die aus Übungen im Buch "Data Science on Google Cloud Platform" von Valliappa Lakshmanan (erschienen bei O'Reilly Media Inc.) entstanden sind. In dieser zweiten Aufgabenreihe, die Kapitel 9 bis zum Ende des Buchs abdeckt, erweitern Sie die in der ersten Aufgabenreihe erlernten Fähigkeiten. Sie führen vollwertige ML-Jobs mit den aktuellsten Tools und realen Datasets aus und verwenden dabei Tools und Dienste der Google Cloud Platform.
Voraussetzungen:
Für diese Aufgabenreihe gibt es zwei Voraussetzungen: 1) Sie benötigen das Buch "Data Science on the Google Cloud Platform", weil die Labs nur die Übungen am Ende der Kapitel enthalten, nicht aber die Konzepte und Lehrinhalte selbst. 2) Sie haben die erste der beiden Aufgabenreihen, "Data Science on the Google Cloud Platform", abgeschlossen und erfüllen alle für die Aufgabenreihe erforderlichen Voraussetzungen. Ohne diese Vorkenntnisse haben Teilnehmer nicht die nötigen Fähigkeiten, um die Aufgabenreihe erfolgreich abzuschließen.Quest Outline
Maschinelles Lernen mit Spark in Google Cloud Dataproc
In diesem Lab lernen Sie, wie Sie die logistische Regression mithilfe einer Bibliothek für maschinelles Lernen von Apache Spark implementieren, das in einem Google Cloud Dataproc-Cluster ausgeführt wird. So können Sie ein Modell für Daten aus einem multivariaten Dataset entwickeln.
Zeitfenstergesteuerte Daten mit Apache Beam und Cloud Dataflow (Java) verarbeiten
Stellen Sie mit Maven eine Java-Anwendung bereit, um Daten mit Cloud Dataflow zu verarbeiten. Die Java-Anwendung implementiert eine zeitfensterbasierte Aggregation, um die Rohdaten zu erweitern und somit konsistente Trainings- und Testdatasets zu erstellen.
Maschinelles Lernen mit TensorFlow
In diesem Lab lernen Sie, wie Sie mit Google Cloud Machine Learning und TensorFlow Vorhersagemodelle entwickeln und bewerten, die auf maschinellem Lernen basieren.
Verteiltes maschinelles Lernen mit Google Cloud ML
In diesem Artikel erfahren Sie, wie Sie ein Dataset in zwei separate Teile unterteilen: einen Trainingssatz zum Entwickeln eines Modells und einen Testsatz, mit dem sich die Genauigkeit des Modells bewerten und Vorhersagemodelle wiederholt unabhängig evaluieren lassen.
Maschinelles Lernen in Echtzeit mit Google Cloud ML
Mit Cloud DataProc, das auf einem Hadoop-Cluster ausgeführt wird, analysieren Sie einen Datensatz unter Verwendung der Bayes-Klassifizierung.
Jetzt anmelden
Melden Sie sich für die Aufgabenreihe an, um zu sehen, wie Sie Schritt für Schritt Ihr Abzeichen erreichen.
