Machine Learning on Google Cloud

Lifelong learning for working professionals

Översikt

Den här kursen introducerar erbjudanden för artificiell intelligens (AI) och maskininlärning (ML) på Google Cloud som stöder livscykeln från data till AI genom AI-grunder, AI-utveckling och AI-lösningar. Vi utforskar de tekniker, produkter och verktyg som finns tillgängliga för att bygga en ML-modell, en ML-pipeline och ett generativt AI-projekt. Du lär dig att bygga AutoML-modeller utan att skriva en enda rad kod, bygga BigQuery ML-modeller med SQL och bygga Vertex AI anpassade träningsjobb med hjälp av Keras och TensorFlow. Du utforskar också tekniker för förbehandling av data och feature engineering.

Partnerkurs
Observera att detta är en partnerkurs och att den därför inte omfattas av Informators startgaranti.

Kursmål

Deltagarna kommer att lära sig hur man

Beskriva teknik, produkter och verktyg för att bygga en ML-modell, en ML-pipeline och ett generativt AI-projekt.
Förstå när du ska använda AutoML och BigQuery ML.
Skapa Vertex AI-hanterade dataset.
Lägg till funktioner i Vertex AI Feature Store.
Beskriva Analytics Hub, Dataplex och Datakatalog.
Beskriv hur man kan förbättra modellens prestanda.
Skapa Vertex AI Workbench användarhanterade anteckningsbok, skapa ett anpassat träningsjobb och distribuera det med hjälp av en Docker-container.
Beskriva batch- och onlineprediktioner och modellövervakning.
Beskriv hur du kan förbättra datakvaliteten och utforska dina data.
Bygga och träna modeller för övervakad inlärning.
Optimera och utvärdera modeller med hjälp av förlustfunktioner och prestationsmått.
Skapa repeterbara och skalbara train-, eval- och testdataset.
Implementera ML-modeller med hjälp av TensorFlow eller Keras.
Förstå fördelarna med att använda feature engineering.
Förklara Vertex AI Model Monitoring och Vertex AI Pipelines.

Målgrupp

Denna kurs är avsedd för följande:

Blivande ML-datavetare och ingenjörer
Data scientists, ML-utvecklare, ML-ingenjörer, dataingenjörer, dataanalytiker
Fältpersonal från Google och partner som arbetar med kunder i dessa arbetsroller

Förkunskaper

För att få ut mesta möjliga av denna kurs bör deltagarna ha:

Viss kännedom om grundläggande maskininlärningskoncept
Grundläggande kunskaper i ett skriptspråk, företrädesvis Python

Certifiering

Utbildare

Denna kurs levereras med QA

Läs mer om kursen

Introduktion till AI och maskininlärning på Google Cloud

Känna igen AI/ML-ramverket på Google Cloud.
Identifiera de viktigaste komponenterna i Google Cloud-infrastrukturen.
Definiera data- och ML-produkterna på Google Cloud och hur de stöder livscykeln från data till AI.
Bygg en ML-modell med BigQueryML för att ta data till AI.
Definiera olika alternativ för att bygga en ML-modell på Google Cloud.
Känna igen de primära funktionerna och tillämpliga situationerna för förutbildade API:er, AutoML och anpassad utbildning.
Använd API:et för naturligt språk för att analysera text.
Definiera arbetsflödet för att bygga en ML-modell.
Beskriva MLOps och automatisering av arbetsflöden på Google Cloud.
Bygg en ML-modell från början till slut med hjälp av AutoML på Vertex AI.
Definiera generativ AI och stora språkmodeller.
Använd generativa AI-funktioner i AI-utvecklingen.
Känna igen AI-lösningarna och de inbyggda generativa AI-funktionerna.
Praktiska övningar
Frågesporter för moduler
Läsning av moduler

Starta upp maskininlärning

Beskriv hur du kan förbättra datakvaliteten.
Utföra explorativ dataanalys.
Bygga och träna modeller för övervakad inlärning.
Beskriv AutoML och hur man bygger, tränar och distribuerar en ML-modell utan att skriva en enda rad kod.
Beskriva BigQuery ML och dess fördelar.
Optimera och utvärdera modeller med hjälp av förlustfunktioner och prestationsmått.
Minska vanliga problem som uppstår vid maskininlärning.
Skapa repeterbara och skalbara utbildnings-, utvärderings- och testdataset.
Praktiska övningar
Frågesporter för moduler
Läsning av moduler

TensorFlow på Google Cloud

Skapa TensorFlow- och Keras-maskininlärningsmodeller.
Beskriva huvudkomponenterna i TensorFlow.
Använd biblioteket tf.data för att manipulera data och stora datamängder.
Bygg en ML-modell som använder tf.keras förbehandlingslager.
Använd Keras Sequential och Functional API:er för enkel och avancerad modellskapande.
Träna, distribuera och produktionsanpassa ML-modeller i stor skala med Vertex AI Training Service.
Praktiska övningar
Modul-frågesporter
Läsning av moduler

Funktionsteknik

Beskriv Vertex AI Feature Store.
Jämför de viktigaste aspekterna som krävs för en bra funktion.
Använd tf.keras.preprocessing-verktyg för att arbeta med bilddata, textdata och sekvensdata.
Utföra feature engineering med hjälp av BigQuery ML, Keras och TensorFlow.
Praktiska övningar
Frågesporter för moduler
Läsning av moduler

Maskininlärning i företaget

Förstå de verktyg som krävs för datahantering och styrning.
Beskriv det bästa tillvägagångssättet för förbehandling av data: Från att ge en översikt över Dataflow och Dataprep till att använda SQL för förbehandlingsuppgifter.
Förklara hur AutoML, BigQuery ML och anpassad utbildning skiljer sig åt och när man ska använda ett visst ramverk.
Beskriv hyperparameterjustering med hjälp av Vertex AI Vizier för att förbättra modellens prestanda.
Förklara prediktion och modellövervakning och hur Vertex AI kan användas för att hantera ML-modeller.
Beskriv fördelarna med Vertex AI Pipelines.
Beskriva bästa praxis för distribution och servering av modeller, modellövervakning, Vertex AI Pipelines och artefaktorganisation.
Praktiska övningar
Frågesporter för moduler
Läsning av moduler

Kursöversikt

3 285 £

5 dagar

Distans

Grund

Engelska

Startgaranti gäller om kursen har datum, om inget annat framgår.

Hittar du inget (passande) datum? Skicka in en intresseanmälan så gör vi vad vi kan för att planera ett tillfälle som passar.

För samtliga utbildningar gäller våra
Allmänna Villkor.

Företagsanpassad kurs

Kursen kan anpassas från flera perspektiv:

Innehåll och fokusområde
Omfattning
Upplägg

I samspel med kursledaren ser vi till att kursen uppfyller era önskemåll