Pelajari cara melatih model machine learning untuk klasifikasi dan prediksi dengan mengikuti langkah-langkah dalam notebook interaktif. Tutorial ini mengintegrasikan Dataflow ke dalam alur kerja machine learning end-to-end. Anda juga dapat melihat tutorial di GitHub.
Segmentasi gambar penutup lahan
Model klasifikasi lahan ini menggunakan TensorFlow TensorFlow dan data satelit dari Google Earth Engine untuk mendemonstrasikan segmentasi semantik. Tutorial ini menggunakan TensorFlow di Gemini Enterprise Agent Platform untuk melatih model, TensorFlow di Cloud Run untuk membuat prediksi real-time, dan Dataflow untuk membuat prediksi batch. Lihat kode di GitHub.
Regresi deret waktu perkiraan cuaca
Model perkiraan cuaca ini menggunakan PyTorch PyTorch dan data satelit dari Google Earth Engine untuk memperkirakan curah hujan selama dua dan enam jam ke depan. Tutorial ini menggunakan PyTorch untuk membuat jaringan konvolusional penuh, Gemini Enterprise Agent Platform untuk melatih model, Dataflow untuk membuat set data, dan PyTorch untuk membuat prediksi lokal. Lihat kode di GitHub.
Klasifikasi deret waktu Global Fishing Watch
Model klasifikasi ini menggunakan framework TensorFlow dan data lokasi Maritime Mobile Service Identity (MMSI) untuk mengklasifikasikan apakah kapal sedang menangkap ikan setiap jam. Tutorial ini menggunakan Keras dan TensorFlow untuk melatih model, Dataflow untuk membuat set data, dan Keras di Cloud Run untuk membuat prediksi lokal. Lihat kode di GitHub.
Klasifikasi gambar satwa liar
Model klasifikasi ini menggunakan framework AutoML untuk membuat model yang dilatih untuk mengenali spesies hewan dari gambar perangkap kamera. Tutorial ini menggunakan AutoML di Gemini Enterprise Agent Platform untuk melatih model, Dataflow untuk membuat set data, dan Gemini Enterprise Agent Platform untuk membuat prediksi. Lihat kode di GitHub.