|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/architecting-a-scalable-machine-learning-pipeline/
课程评论：没有评论
课程名称：创建可扩展的机器学习管道 (Creating a Scalable Machine Learning Pipeline) 课程概述：本课程将指导您如何将 TFLite 和 TensorFlow.js 机器学习模型投入生产。您将学习创建一个网站，该网站允许用户上传图片，从您的定制机器学习模型获取预测结果，并实时查看模型的性能。无论您是否已有计算机视觉模型，课程都会教您如何轻松创建一个，并最终将其投入使用和部署。您将学习如何使用自己的定制模型搭配 TensorFlow.js，让用户上传图片并获得预测结果。我们将构建一个完整的管道，使您能够随着时间的推移改进和监控机器学习模型的性能。课程内容包括允许用户上传新图片进行预测，保存这些预测结果，然后利用新图片作为训练数据来提高我们定制模型的性能。 课程亮点： * **模型部署与生产化：** 学习如何将 TFLite 和 TensorFlow.js 模型实际应用于生产环境。 * **端到端网站开发：** 从零开始构建一个允许用户交互的网站，包括图片上传、模型预测和结果展示。 * **定制模型创建与使用：** 即使没有现成的模型，也能学会创建和利用自己的定制模型。 * **实时性能监控与改进：** 建立一个反馈循环，通过用户上传的新数据不断优化模型性能。 * **TensorFlow.js 集成：** 掌握如何将定制模型与 TensorFlow.js 结合，实现在浏览器端的预测。 * **数据管道构建：** 设计一个完整的机器学习数据管道，支持模型迭代和持续改进。
I show you you everything you need to start using your tflite and tensorflow.js machine learning models in production. Create a website that allows users to upload images, get predictions from your custom machine learning model and review the performance of the model in real time. Whether you already have a computer vision model or not I show you how to easily create one and ultimately use and deploy it to production. Learn how to use your own custom models with tensorflow.js, allowing users to upload images and get predictions back on that image. We create an entire pipeline that allows you to improve and monitor your machine learning model's over time. Allow users to upload new images for predictions, saving those predictions and then using the new images as training data to improve our custom models performance.
