Qué es un framework Google OSS

Incluye una descripción de habilidades de uso de framework que son también requerimientos de la mayoría de las ofertas de trabajo publicadas (ejemplo).

Google tiene software y apliciones por todas partes. Estan en tu telefono en tu computadora, en tu televisor, refrigerador, autos, drones, etc. Pero los frameworks que aqui vamos a ver son los mas comunes en Machine Learning.

Si crees que falta uno importante por favor enviame un mensaje.

Que aprenderas

Vas a aprender cuales son los servicios que Google ofrece gratuitamente para desarrollo de AI y machine learning (ML).

Este articulo asume que estas familiarizado con conceptos basicos de AI y ML.

El uso de frameworks te ayuda a alcanzar requerimientos de buenas practicas en AI and ML para el diseño de tu sistema.

• Google Cloud ML Engine (to run machine learning training jobs and predictions at scale)
• Tensorflow (training and inference of deep neural networks) Tutorial
  • Tensorboard, la herramienta de visualización.
• ML Kit ( Modelos ML «best-in-class» con procesado avanzado de pipelines ) ML para mobile developers.
  1. Reconocimiento de texto
  2. Detección facial
  3. Detección de postura
  4. Segmentación de capas en imágenes (layers)
  5. Escaneo de código de barras
  6. Etiquetado de imágenes
  7. Detección y seguimiento de objetos
  8. Digitalización de escritura
  9. Lenguaje
• Google Cloud Arquitecture Framework
• Document AI
  • Imágenes a texto
  • Clasificación de documentos
  • Análisis y extracción de entidades
• Contact Center AI Insights a atraves de DialogFlow y Agent Assist
• Colaboratory Entorno interactivo para escribir y ejecutar python en el navegador + acceso libre a GPUs
• Neural Structured Learning Framework (Uso de Señales Estructuradas) Tutorial

Para estar al dia con las tareas mas comunes que podrias desarrollar en tu trabajo como DEV-ML, una descripción de habilidades de uso de frameworks requeridas en la evaluacion de cualquiera de tus productos o servicios.

• Uso de ultima version de todos los componentes y frameworks
• Uso de aceleradores
• Creación de modelos en strategy.scope() en Tensorfow
• TPU + Tensorflow
• Alimentacion de aceleradores utilizando:
  • In-memory usando arrays en Numpy
  • tf.data.Dataset
  • .tfrecord file
  • Usando data fragmentada