云上的数据分析和机器学习(ML Ops) -专业和继续教育-韦德体育app官网-韦德体育app官网

Sign up to receive emails about OU's Machine Learning Program.

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, biochemical interaction analysis, infrastructure monitoring, 和天体物理学. 深度学习是机器学习的一个分支，涉及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最近许多进步的背后, including Siri’s speech recognition, Facebook’s tag suggestions, 机器语言翻译和自动驾驶汽车. 本课程介绍使用TensorFlow 2进行机器学习.0，这是一个非常流行的用于构建预测模型的框架. 本课程将提供一步一步的方法来构建复杂的机器学习模型，从机器学习和TensorFlow 2的基本概念开始.0 framework from Google. 我们将使用各种工具和平台，比如Python, TensorFlow / Keras, 和谷歌合作实验室笔记本电脑, 测试, and deploying machine learning models.

这个为期7周的课程包含42小时的韦德体育app官网, 同步教学，分为3个模块，涵盖了让学生了解人工智能和机器学习的基本主题. 该计划是理想的毕业生和工作的工程师新到人工智能和机器学习的世界.

这个程序包含零售专业, 医疗保健, 金融服务和工业/制造业. 你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，并作为项目的一部分实现一个端到端的用例.

在成功完成课程后，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:

Explain how machine learning models work
Frame tasks into machine learning problems
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何时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

Tentative Course Outline

每个模块都包含相应的实践实验，涵盖模块主题.

Module 1: Python基础知识 - 1 week

Python Tutorial, including:
- 数据类型 & 字符串
- User Defined Functions
- 熊猫系列
- λ & Map
- Introduction to Classes and Objects

这个模块涵盖了Python编程的基础知识. After completing this module, 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	Details
Python基础知识	Getting Started, 数据类型 & 字符串,列表 & 元组, & Dictionary, If Else Statement, For & While Loop, User Defined Functions, Read & 写文件，Pandas系列，数据帧，λ & Map
数据结构	Lists, Tuples, Dictionary. 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)原则.
使用模块	Creating and using Functions. Creating a Module in class; Calling a Module; Returning value from a Module; Adding a Method that takes parameters;
Introduction to Classes and Objects	Creating a Class; Creating an Object; Using an Object; Adding Instance variables; Controlling accessibility; Naming conventions for class members. 内部类. Class Constructors; Parameterized Constructors. 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. Connect to a database, 创建数据库, 删除数据库, 创建一个表, 改变表, 放下一张桌子, 插入, 删除, 更新记录, query a database and display results. Connecting to different APIs

模块2:机器学习使用TensorFlow - 4周

Introduction to Machine Learning
What is Machine Learning?
Introduction to TensorFlow
Building TensorFlow Models
Scaling-up and Model Deployment

本模块侧重于机器学习的基础知识以及谷歌云平台上常用的ML和深度学习模型. Building models using TensorFlow, 使用TensorBoard训练和评估他们的表现, 并将讨论如何部署这些模型.

Machine Learning using TensorFlow 2.0

主题	Details
Introduction to Machine Learning	What is Machine Learning? 机器学习vs. 数据科学 How does everything fit in the AI & 毫升的世界?
What is Machine Learning?	Getting started with Machine Learning Setting up your Cloud environment (GCP) Understanding the basics of Google Cloud 开发第一个机器学习模型-回归开发机器学习模型-分类
Introduction to TensorFlow	How does TensorFlow Work? Introduction to Neural Nets Getting Started with TensorFlow Differences between TensorFlow 1.x和TensorFlow 2.x
Building TensorFlow Models	Getting started with TensorFlow ML Models Understanding the dataset Preparing to train the model Training a Deep Neural Network Model Understanding TensorBoard What is Feature Engineering? 改进模型性能——特征工程
Scaling-up and Model Deployment	Planning the Cloud Deployment Setup the storage buckets 使API & 服务 Create Service Account Key Packaging up the code Running the ML Job on the Google Cloud 部署ML模型

模块2的实验
Lab1:实现线性回归和KNN模型.
Lab2:使用TensorFlow - Feature Engineering为DNN模型创建模型
Lab3:使用特征工程提高模型性能.
Lab4:使用Flask API部署TensorFlow模型.

Module 3: 行业集中 - 3 weeks

该模块是零售业的行业专业化, 医疗保健, 金融服务和工业/制造业. 学生可以选择一个或多个专业作为课程的一部分. 本模块将重点关注下面定义的用例, 学生将端到端实现一个用例，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 Product Recommendations Inventory Optimization
医疗保健	Telehealth / Virtual Care Interoperability Accelerator Hospital Impact Forecasting Biomedical Data Analytics
金融服务	Anti-Money Laundering (AML) Know Your Customer (KYC) Digital Social Safety Nets Lending Doc Processing
Industrial / Manufacturing	Industrial Adaptive Controls Manufacturing Visual Inspection Logistics Optimization Connected Operations

模块3的实验
Lab1:理解业务问题并使用Python实现探索性数据分析.
Lab2:使用TensorFlow创建机器学习模型
Lab3:使用特征工程提高模型性能
Lab4:使用Flask API部署TensorFlow模型