Questo modulo introduce il framework di TensorFlow e ne presenta in anteprima i componenti principali, nonché la gerarchia generale delle API.

I dati sono un componente fondamentale di un modello di machine learning. Non basta, però, raccogliere i dati giusti. È necessario anche assicurarsi di mettere in atto i processi giusti per pulire, analizzare e trasformare i dati, se necessario, in modo che il modello possa sfruttarli al meglio. In questo modulo parleremo dell'addestramento su set di dati di grandi dimensioni con tf.data, dell'utilizzo dei file in memoria e di come preparare i dati per l'addestramento. Quindi discuteremo degli incorporamenti e termineremo con una panoramica sulla scalabilità dei dati con gli strati di pre-elaborazione di tf.keras.

In questo modulo esaminiamo le funzioni di attivazione e come vengono utilizzate per permettere alle reti neurali profonde di acquisire le non linearità dei dati. Quindi forniamo una panoramica delle reti neurali profonde utilizzando le API Keras Sequential e Functional. Successivamente, descriviamo la suddivisione in sottoclassi dei modelli, in modo da avere una maggiore flessibilità nella creazione dei modelli. Il modulo termina con una lezione sulla regolarizzazione.

In questo modulo viene descritto come addestrare i modelli TensorFlow su larga scala utilizzando Vertex AI.

Questo modulo è un riepilogo del corso Build, Train, and Deploy ML Models with Keras on Google Cloud.