En este módulo, se presenta el marco de trabajo de TensorFlow y se ofrece una vista previa de sus componentes principales, así como de la jerarquía general de las API.

Los datos son un componente esencial de los modelos de aprendizaje automático. Recopilar los datos correctos no es suficiente. También es necesario asegurarse de implementar los procesos adecuados para limpiar, analizar y transformar los datos según sea necesario, de modo que el modelo pueda captar tantos indicadores como sea posible a partir de esos datos. En este módulo, analizamos el entrenamiento con grandes conjuntos de datos mediante tf.data, el trabajo con archivos en la memoria y cómo preparar los datos para el entrenamiento. Después, analizamos las incorporaciones y terminamos con una descripción general del escalamiento de datos con capas de procesamiento previo de tf.keras.

En este módulo, analizamos las funciones de activación y cómo se las necesita para permitir que las redes neuronales profundas registren los aspectos no lineales de los datos. Después, se ofrece una descripción general de las redes neuronales profundas con las APIs secuencial y funcional de Keras. A continuación, describimos la subclasificación de modelos, que ofrece mayor flexibilidad para la creación de modelos. El módulo finaliza con una lección sobre regularización.

En este módulo, describimos cómo entrenar modelos de TensorFlow a gran escala con Vertex AI.

Este módulo es un resumen del curso Build, Train, and Deploy ML Models with Keras on Google Cloud.