Aprende a entrenar modelos de aprendizaje automático para la clasificación y predicción mediante los pasos en notebooks interactivos. En estos instructivos, se integra Dataflow en flujos de trabajo de aprendizaje automático de extremo a extremo. También puedes ver los instructivos en GitHub.
Segmentación de imágenes de portadas terrestres
Este modelo de clasificación de tierra usa un TensorFlow framework y datos satelitales de Google Earth Engine para demostrar la segmentación semántica. En el instructivo, se usa TensorFlow en Gemini Enterprise Agent Platform para entrenar el modelo, TensorFlow en Cloud Run para realizar predicciones en tiempo real y Dataflow para realizar predicciones por lotes. Mira el código en GitHub.
Regresión de series temporales de previsión del tiempo
Este modelo de previsión meteorológica usa un PyTorch de PyTorch y datos satelitales de Google Earth Engine para la previsión de precipitaciones de las próximas dos y seis horas. En el instructivo, se usa PyTorch para crear una red completamente convolucional, Gemini Enterprise Agent Platform para entrenar el modelo, Dataflow para crear el conjunto de datos y PyTorch para realizar predicciones locales. Mira el código en GitHub.
Clasificación de las series temporales de vigilancia global de la pesca
En este modelo de clasificación, se usa un TensorFlow de TensorFlow y datos de ubicación de la Identidad del Servicio Móvil Marítimo (MMSI) para clasificar si un barco pesca cada hora. En el instructivo, se usan Keras y TensorFlow para entrenar el modelo, Dataflow para crear el conjunto de datos y Keras en Cloud Run para realizar predicciones locales. Mira el código en GitHub.
Clasificación de imágenes de vida natural
Este modelo de clasificación usa un AutoML para crear un modelo entrenado a fin de reconocer especies de animales a partir de imágenes de cámaras remotas. En el instructivo, se usa AutoML en Gemini Enterprise Agent Platform para entrenar el modelo, Dataflow para crear el conjunto de datos y Gemini Enterprise Agent Platform para realizar predicciones. Mira el código en GitHub.