AVISO COVID-19: Todos nuestros cursos en formato Online o Live Virtual Class hasta nuevo aviso. Más info en: training@pue.es
Machine Learning on Google Cloud
Solicitar Info|
29 may 2023 - 02 jun 2023 | Machine Learning on Google Cloud |
|
|
29 may 2023 - 02 jun 2023 | Machine Learning on Google Cloud |
Acerca de este curso
TASTE OF TRAINING
Este curso le enseña cómo crear modelos Vertex AI AutoML sin escribir una sola línea de código, crear modelos BigQuery ML sabiendo SQL básico, crear trabajos de entrenamiento personalizados de Vertex AI que implementa usando contenedores, con poco conocimiento de Docker, usar Feature Store para la administración de datos y gobernanza, ingeniería de características para la mejora del modelo, determine las opciones de preprocesamiento de datos adecuadas para su caso de uso, escriba modelos de aprendizaje automático distribuidos que se escalen en TensorFlow y aproveche las prácticas recomendadas para implementar el aprendizaje automático en Google Cloud.
A quién va dirigido
Este curso está dirigido a los siguientes perfiles laborales:
- Aspirantes a ser analistas de datos de aprendizaje automático, científicos de datos e ingenieros de datos.
- Alumnos que desean tratar el aprendizaje automático mediante Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier para el ajuste de hiperparámetros, TensorFlow/Keras.
Prerrequisitos
Para aprovechar al máximo este curso, los participantes deben tener:
- Cursada la formación Google Cloud Platform Fundamentals: Big Data y Machine Learning o tener experiencia equivalente sobre conceptos básicos del aprendizaje automático
- Competencia básica con un lenguaje de programación, preferiblemente Python
Objetivos del curso
Este curso enseña a los participantes las siguientes habilidades:
- Crear, entrenar e implementar un modelo de aprendizaje automático sin escribir una sola línea de código usando Vertex AI AutoML.
- Comprender cuándo utilizar AutoML y Big Query ML.
- Crear conjuntos de datos gestionados por Vertex AI.
- Agregar funciones a una Feature Store.
- Describir Analytics Hub, Dataplex, Data Catalog.
- Describir el ajuste de hiperparámetros con Vertex Vizier y cómo se puede utilizar para mejorar el rendimiento del modelo.
- Crear un Vertex AI Workbench User-Managed Notebook, crear un trabajo de capacitación personalizado y luego implementarlo utilizando un contenedor Docker.
- Describir predicciones por lotes y en línea y monitoreo de modelos.
- Describir cómo mejorar la calidad de los datos.
- Realizar análisis de datos exploratorios.
- Construir y entrenar modelos de aprendizaje supervisado.
- Optimizar y evaluar modelos utilizando funciones de pérdida y métricas de rendimiento.
- Crear conjuntos de datos de prueba, evaluación y entrenamiento repetibles y escalables.
- Implementar modelos de AA utilizando TensorFlow/Keras.
- Describir cómo representar y transformar características.
- Comprender los beneficios de usar la ingeniería de características
- Explicar las canalizaciones de IA de Vertex
Certificación asociada
Este curso es el recomendado para la preparación del siguiente examen de certificación oficial (no incluido en el precio del curso):
La superación de este examen es requisito imprescindible para obtener la certificación Professional Machine Learning Engineer.
PUE es centro de certificación oficial de Kryterion facilitando la gestión del examen al candidato. El alumno podrá realizar su certificación, bien en nuestras facilidades o, si lo prefiere, a través de la opción Kryterion’s online-proctoring (OLP) solution, que le permite atender la certificación oficial de Google Cloud desde cualquier ubicación con una simple conexión a Internet.
Contenidos
Módulo 1: Cómo hace Google el aprendizaje automático
- Describir Vertex AI Platform y cómo se utiliza para crear, entrenar e implementar rápidamente modelos de aprendizaje automático de AutoML sin escribir una sola línea de código.
- Describir las mejores prácticas para implementar el aprendizaje automático en Google Cloud.
- Desarrollar una estrategia de datos en torno al aprendizaje automático
- Examinar casos de uso que luego se vuelven a imaginar a través de una ML lens
- Aprovechar las herramientas y el entorno de Google Cloud Platform para hacer ML
Módulo 2: Lanzamiento al aprendizaje automático
- Describir Vertex AI AutoML y cómo construir, entrenar e implementar un modelo ML sin escribir una sola línea de código.
- Describir Big Query ML y sus beneficios.
- Describir cómo mejorar la calidad de los datos.
- Realizar análisis exploratorio de datos.
- Construir y entrenar modelos de aprendizaje supervisado.
- Optimizar y evaluar modelos utilizando funciones de pérdida y métricas de rendimiento.
- Mitigar los problemas comunes que surgen en el aprendizaje automático.
- Crear conjuntos de datos de prueba, evaluación y capacitación repetibles y escalables.
Módulo 3: TensorFlow en Google Cloud
- Crear modelos de aprendizaje automático de TensorFlow y Keras.
- Describir los componentes clave de TensorFlow.
- Utilizar la biblioteca tf.data para manipular datos y grandes conjuntos de datos.
- Crear un modelo ML utilizando capas de preprocesamiento de tf.keras.
- Utilizar las Functional APIs y Keras Sequential para la creación de modelos simples y avanzados.
- Comprender cómo se pueden usar las subclases de modelos para modelos más personalizados.
Módulo 4: Ingeniería de características
- Describir el Vertex AI Feature Store.
- Comparar los aspectos clave requeridos de una buena característica.
- Mezclar y crear nuevas combinaciones de características a través de cruces de características.
- Realizar ingeniería de características mediante BQML, Keras y TensorFlow.
- Comprender cómo preprocesar y explorar características con Cloud Dataflow y Cloud Dataprep.
- Comprender y aplicar cómo TensorFlow transforma las características.
Módulo 5: Aprendizaje automático en la empresa
- Comprender las herramientas necesarias para la gestión y el gobierno de datos
- Describir el mejor enfoque para el preprocesamiento de datos: desde proporcionar una descripción general de DataFlow y DataPrep hasta usar SQL para tareas de preprocesamiento.
- Explicar en qué se diferencian AutoML, BQML y el entrenamiento personalizado y cuándo usar un marco en particular.
- Describir el ajuste de hiperparámetros con Vertex Vizier y cómo se puede utilizar para mejorar el rendimiento del modelo.
- Explicar la predicción y el monitoreo de modelos y cómo se puede usar Vertex AI para administrar modelos de ML.
- Describir los beneficios de Vertex AI Pipelines
Convocatorias abiertas
|
29 may 2023 - 02 jun 2023 | Machine Learning on Google Cloud |
|
|
29 may 2023 - 02 jun 2023 | Machine Learning on Google Cloud |
