Muy interesante el dato de las imágenes que se pueden llegar a procesar:
219,000 imágenes por segundo.
Bienvenida e Introduccion
Qué aprenderás sobre análisis predictivo
Introducción a Cloud Machine Learning
¿Por qué correr cargas de Machine Learning en la nube?
Machine Learning genérico
Cinco increíbles APIs para diferentes usos de Machine Learning
Entendiendo las APIs de Machine Learning
Caso de Estudio: APIs de Machine Learning
Configurando el proyecto
Guardando imágenes en Cloud Storage
Guardar datos en Firebase
Generando comentarios en tu proyecto
Usando Cloud Vision para analizar imagenes
Usando el NLP API para analizar sentimiento
Analizando la respuesta del NLP en API
Deploy a Firebase
Machine Learning con tus datos
Introducción y caso de estudio: AutoML
Preparando datos para AutoML
Entrenar y predicir con tu modelo
Evaluando tu modelo
Consejos para el entrenamiento
Machine Learning para Análisis de Datos
¿Qué es BigQuery Machine Learning?
Introducción a la consola de BigQuery Machine Learning
Crear y predecir con BigQuery Machine Learning
Machine Learning a la medida
¿Qué es Cloud Machine Learning Engine?
Entrenando un modelo con Cloud Machine Learning Engine
Sirviendo un modelo con Cloud Machine Learning Engine
Finalizando el curso
Conclusiones y cierre
Bonus meme: Machine Learning en la frontera
Introducción a Machine Learning en la frontera (TF.js y edge tpu, kubeflow)
¿Cómo se usa Machine Learning para predecir datos?
¿Por qué correr cargas de Machine Learning en la nube?
3/28Recursos
Transcripción
Hoy en día estamos generando más datos que cualquier otro en la historia y no solo los utilizamos para uso personal. Actualmente interactuamos en texto, voz y vídeo.
Un teraflops es una unidad de velocidad de cómputo.
ResNet y TensorFlow utilizado para la clasificación de imágenes. Con un TPUv2 :
- Se lograba procesar 4100img/sec
- Precisión Final: 93%
- Entrenamiento; 7h 47m
- Costro de entrenamineto: 36$
- Costo de entrenamiento(preemptible): 11$
ResNet y TensorFlow con TPU v2 pod alpha:
- Se logró procesar 219k+img/sec
- Una precisión final de 93%
- Entrenamiento 8m 45s
Aportes 15
Preguntas 1
Ordenar por:
Ahora entiendo porque se comienza a hablar de partículas subatómicas y computación cuántica, un futuro promisorio
Un TERAFLOP se refiere a la capacidad de un procesador para calcular un billón de operaciones de punto flotante por segundo (1’000,000,000,000 operaciones/seg).
Mega-FLOPS = MFLOPS = 10^6
Giga-FLOPS = GFLOPS = 10^9
Tera-FLOPS = TFLOPS = 10^12
La infrastructure puede ser muy complicada, mejor compra google jajajajaja
- la linea de la ley de moore se aplano, es decir que debemos esperar aproximadamente 18 meses para duplicar la velocidad de procesamiento.
- Estamos generando gran cantidad de datos. Crecimiento de necesidad de computo.
- TPU : Unidad de Procesamiento Tensorial
- El desarrollo e investigación de ML esta llegando a niveles interactivos, la velocidad de procesamiento con hardware TPU hace que los entrenamientos sean muy rápidos.
- promesas de la nube: Rápido, a escala, buen precio, no hay que casarse con una nube (puedes migrar tu modelo a cualquiera y siempre habrá compatibilidad.)
Consultando un poco el tiempo de la ley de Moore son 24 meses y no 18 meses
https://hardzone.es/reportajes/que-es/ley-de-moore/
Muy interesante todo esto de las TPU, la verdad desconocía todo lo que el imperio de Google ha creado y mejor aún seguirá creando y mejorando. Es genial!!
Crecimiento exponencial muy acelerado, estamos en la IA.
Muy interesante procesar mucha información en tan poco tiempo.
Mantener equipos que permitan trabajar efectivamente com ML es muy costoso para las empresas. Por eso utilizar servicios en la nube es apropiado, sobre todo cuando se trabaja con grandes cantidades de datos.
Hay que dejarle los fierros a los Ing. de DevOps y redes, jejeje.
Hoy se usa ML hasta para diseñar Hardware.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.