Saiba como treinar modelos de machine learning para classificação e previsão seguindo as etapas nos notebooks interativos. Esses tutoriais integram o Dataflow em fluxos de trabalho de machine learning de ponta a ponta. Você também pode conferir os tutoriais no GitHub.
Segmentação de imagens de cobertura da terra
Esse modelo de classificação de terras usa um TensorFlow framework e dados de satélite do Google Earth Engine para demonstrar a segmentação semântica. O tutorial usa o TensorFlow na Gemini Enterprise Agent Platform para treinar o modelo, o TensorFlow no Cloud Run para fazer previsões em tempo real e o Dataflow para fazer previsões em lote. Confira o código no GitHub.
Regressão de série temporal de previsão do tempo
Este modelo de previsão do tempo usa um PyTorch framework e dados de satélite do Google Earth Engine para prever a precipitação nas próximas duas e seis horas. O tutorial usa o PyTorch para criar uma rede totalmente convolucional, Gemini Enterprise Agent Platform para treinar o modelo, o Dataflow para criar o conjunto de dados e o PyTorch para fazer previsões locais. Confira o código no GitHub.
Classificação de série temporal do Global Fishing Watch
Esse modelo de classificação usa um TensorFlow framework e dados de localização do Maritime Mobile Service Identity (MMSI) para classificar se um navio está pescando por hora. O tutorial usa o Keras e o TensorFlow para treinar o modelo, o Dataflow para criar o conjunto de dados e o Keras no Cloud Run para fazer previsões locais. Confira o código no GitHub.
Classificação de imagens da vida selvagem
Esse modelo de classificação usa um AutoML para criar um modelo treinado para reconhecer espécies de animais em fotos de armadilhas com câmeras. O tutorial usa AutoML no Gemini Enterprise Agent Platform para treinar o modelo, o Dataflow para criar o conjunto de dados e o Gemini Enterprise Agent Platform para fazer previsões. Confira o código no GitHub.