Scopri come addestrare modelli di machine learning per la classificazione e la previsione seguendo i passaggi nei notebook interattivi. Questi tutorial integrano Dataflow nei flussi di lavoro di machine learning end-to-end. Puoi anche visualizzare i tutorial in GitHub.
Segmentazione delle immagini di copertura del suolo
Questo modello di classificazione del suolo utilizza un TensorFlow TensorFlow e i dati satellitari di Google Earth Engine per dimostrare la segmentazione semantica. Il tutorial utilizza TensorFlow in Gemini Enterprise Agent Platform per addestrare il modello, TensorFlow in Cloud Run per eseguire previsioni in tempo reale e Dataflow per eseguire previsioni batch. Visualizza il codice su GitHub.
Regressione delle serie temporali per la previsione del meteo
Questo modello di previsione del meteo utilizza un PyTorch PyTorch e i dati satellitari di Google Earth Engine per prevedere le precipitazioni per le prossime due e sei ore. Il tutorial utilizza PyTorch per creare una rete completamente convoluzionale, Gemini Enterprise Agent Platform per addestrare il modello, Dataflow per creare il set di dati e PyTorch per eseguire previsioni locali. Visualizza il codice su GitHub.
Classificazione delle serie temporali di Global Fishing Watch
Questo modello di classificazione utilizza un framework TensorFlow e i dati sulla posizione dell'identità del servizio mobile marittimo (MMSI) per classificare se una nave sta pescando ogni ora. Il tutorial utilizza Keras e TensorFlow per addestrare il modello, Dataflow per creare il set di dati e Keras in Cloud Run per eseguire previsioni locali. Visualizza il codice su GitHub.
Classificazione delle immagini della fauna selvatica
Questo modello di classificazione utilizza un framework AutoML per creare un modello addestrato a riconoscere le specie animali dalle immagini delle fototrappole. Il tutorial utilizza AutoML in Gemini Enterprise Agent Platform per addestrare il modello, Dataflow per creare il set di dati e Gemini Enterprise Agent Platform per eseguire previsioni. Visualizza il codice su GitHub.