menu
arrow_back

TensorFlow での機械学習

TensorFlow での機械学習

時間 分 7クレジット

GSP273

Google Cloud セルフペース ラボ

概要

このラボでは、Google Cloud Machine Learning と TensorFlow を使用して、機械学習を使用する予測モデルを作成および評価する方法について学びます。TensorFlow は、Google によって開発されたオープンソースの高度な機械学習ライブラリです。さまざまなプラットフォームに移植可能で、非常に大きなデータセットを扱うことができます。

このラボは、このシリーズのこれまでのラボの続きです。これまでのラボでは、ロジスティック回帰を使用する基本的な予測モデルを Spark と Pig で作成し、トレーニング データセットとテスト データセットを Cloud Dataflow で作成しました。これらのデータセットの作成に使用したパイプラインは予測にも使用できるため、予測モデルでトレーニング / サービング スキューのリスクを回避できます。このラボは、O'Reilly Media, Inc. の書籍『Data Science on Google Cloud Platform』の第 9 章「Machine Learning Classifier Using TensorFlow」に基づいています。

まず、Python で試験運用フレームワークを作成し、TensorFlow を使用して以前のラボの基本的な線形回帰モデルを複製します。次に、このフレームワークを拡張して、より多くの変数でモデルを評価できるようにします。これにより、このフレームワークを使用して、これらの基本的な機械学習モデルの性能をより複雑な機械学習モデルと比較できるようになります。

このラボでは、このシリーズの他のすべてのラボと同様に、データ処理とデータ モデリングの手法を実際に試してみるために、フライトが目的地に予定どおりに到着するかどうかを、出発地、出発時刻、実際の出発遅延時間、タキシング時間などの詳細情報に基づいて予測するデータモデルを作成します。

使用するデータセットは、米国運輸統計局のウェブサイトから取得したもので、米国内の国内線フライトに関する履歴情報を提供します。このデータセットは、データ サイエンスの多岐にわたるコンセプトと技術の実証に使用できます。また、Google Cloud Platform のデータ サイエンス: 機械学習クエストに含まれる、その他すべてのラボで使用します。このラボで実際に使用するのは、このクエストの前回のラボ(Apache Beam と Cloud Dataflow を使用したタイム ウィンドウ データの処理(Java))で作成した集計データセットです。

目標

  • Python で基本的な TensorFlow 試験運用フレームワークを作成する

  • そのフレームワークを拡張して、追加の特徴を含む線形分類モデルを作成する

  • トレーニングと評価の試験運用フレームワークを Google Cloud ML にデプロイする

Join Qwiklabs to read the rest of this lab...and more!

  • Get temporary access to the Google Cloud Console.
  • Over 200 labs from beginner to advanced levels.
  • Bite-sized so you can learn at your own pace.
Join to Start This Lab
スコア

—/100

Check that the Python model.py file has been created

ステップを実行

/ 25

Check for a Tensorflow model in the /tensorflow/trained_model directory

ステップを実行

/ 25

Check for successful run of a gcloud ai-platform training job called flights-*

ステップを実行

/ 25

Check that a trained model has been saved to Google Storage

ステップを実行

/ 25

home
ホーム
school
カタログ
menu
もっと見る
もっと見る