TensorFlow 2.x の新しいパラダイムについて学びます。TensorFlow API の階層について学び、TensorFlow の主要コンポーネント、テンソル、および変数を実践演習で理解します。

データセットと特徴列の扱い方について学びます。tf.data.Dataset を使用して csv データ、NumPy 配列、テキストデータ、および画像を読み込む実践演習を行います。数値、カテゴリ、バケット、およびハッシュの特徴列を作成する実践演習も行います。

このモジュールでは、Keras Sequential API を使用して TensorFlow モデルを記述することを学びます。ただし、モデルの記述の前に、活性化関数、損失、および最適化について学びます。次に、Keras Sequential API を使用してディープ ラーニング モデルを作成する方法を学びます。クラウドに予測モデルをデプロイする方法についても学びます。

Sequential モデル API はほとんどのディープ ラーニング モデルの開発に適していますが、制約がいくつかあります。その一例を挙げると、入力ソースが複数あるモデル、出力先が複数になるモデル、レイヤを再利用するモデルを定義するのは単純ではありません。Keras Functional API は tf.keras.Sequential API より柔軟にモデルを作成する手段です。Functional API は非線形トポロジのモデル、レイヤを共有するモデル、入力または出力が複数あるモデルに対応できます。Keras Functional API ではモデルを柔軟に定義できます。特に、入力または出力が複数あるモデルや、レイヤを共有するモデルを定義できます。アドホックの非巡回ネットワーク グラフを定義することもできます。大抵のディープ ラーニング モデルの主な目的は、レイヤの有向非巡回グラフ（DAG）です。Functional API はレイヤのグラフを作成する手段です。モデルのパフォーマンス向上に役立つ正則化についても学びます。

このコースでこれまでに取り上げた TensorFlow のトピックをここでまとめます。コア TensorFlow コード、tf.data API、Keras Sequential API、および Keras Functional API について復習し、最後には Cloud AI Platform での機械学習モデルのスケーリングについて取り上げます。