Google Cloud

Machine Learning on Google Cloud

35 horas
2195,00 €
Presencial o Live Virtual Class
Presencial o Live Virtual Class

Acerca de este curso

TASTE OF TRAINING

Este curso presenta las propuestas de inteligencia artificial (IA) y aprendizaje automático (ML) en Google Cloud que dan soporte al ciclo de vida de datos en IA a través de las bases, el desarrollo y las soluciones de Inteligencia Artificial. Explora las tecnologías, productos y herramientas disponibles para construir un modelo de ML, un proceso de ML y un proyecto de IA generativa. Aprenderás a construir modelos automáticos de aprendizaje automático (AutoML) sin escribir una sola línea de código; construir modelos BigQuery ML utilizando SQL y crear trabajos de entrenamiento personalizados de Vertex AI utilizando Keras y TensorFlow. También explorarás técnicas de preprocesamiento de datos y ingeniería de características.

A quién va dirigido

Este curso está dirigido a los siguientes perfiles laborales:

  • Futuros analistas de datos de machine learning, científicos de datos e ingenieros de datos.
  • Alumnos que desean aprender ML y utilizar Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Dataflow, Vertex AI Vizier para ajuste de hiperparámetros y TensorFlow/Keras.

 Prerrequisitos

Para aprovechar al máximo este curso, los participantes deben tener:

  • Conceptos básicos de Machine Learning.
  • Conocimientos básicos de algún lenguaje de programación, preferiblemente Python.

Objetivos del curso

Este curso enseña a los participantes las siguientes habilidades:

  • Comprender cuándo utilizar AutoML y BigQuery ML.
  • Crear datasets gestionados por Vertex AI.
  • Agregar características al Vertex AI Feature Store.
  • Describir Analytics Hub, Dataplex y Data Catalog.
  • Describir cómo mejorar el rendimiento del modelo.
  • Crear un cuaderno gestionado por Vertex AI Workbench, construir un trabajo de entrenamiento personalizado y desplegarlo mediante un contenedor Docker.
  • Describir predicciones por lotes y online y monitorización del modelo.
  • Describir cómo mejorar la calidad de los datos y explorar los mismos.
  • Construir y entrenar modelos de aprendizaje supervisado.
  • Optimizar y evaluar modelos mediante funciones de pérdida y métricas de rendimiento.
  • Crear datasets de entrenamiento, evaluación y prueba repetibles y escalables.
  • Implementar modelos de ML mediante TensorFlow o Keras.
  • Comprender los beneficios de utilizar la ingeniería basada en características.
  • Explicar la monitorización de modelos y los procesos de Vertex AI.

Contenidos

Módulo 1: Introducción a la Inteligencia Artificial y el Machine Learning en Google Cloud

  • Reconocer el marco de trabajo de IA/ML en Google Cloud.
  • Identificar los principales componentes de la infraestructura de Google Cloud.
  • Definir los productos de datos y ML en Google Cloud y cómo dan soporte al ciclo de vida de los datos hacia la IA.
  • Construir un modelo de ML con BigQuery ML para llevar datos a la IA.
  • Definir diferentes opciones para construir un modelo de ML en Google Cloud.
  • Reconocer las características principales y las situaciones aplicables de las API preentrenadas, AutoML y entrenamiento personalizado.
  • Utilizar la API de Lenguaje Natural para analizar texto.
  • Definir el flujo de trabajo de construcción de un modelo de ML.
  • Describir MLOps y la automatización del flujo de trabajo en Google Cloud.
  • Construir un modelo de ML de principio a fin mediante AutoML en Vertex AI.
  • Definir la IA generativa y los modelos de lenguaje grandes.
  • Utilizar capacidades de IA generativa en el desarrollo de IA.
  • Reconocer las soluciones de IA y las características embebidas de la IA generativa.

Módulo 2: Iniciándose en el Aprendizaje Automático

  • Describir cómo mejorar la calidad de los datos.
  • Realizar análisis exploratorio de datos.
  • Construir y entrenar modelos de aprendizaje supervisado.
  • Describir AutoML y cómo construir, entrenar y desplegar un modelo de ML sin escribir una sola línea de código.
  • Describir BigQuery ML y sus beneficios.
  • Optimizar y evaluar modelos mediante funciones de pérdida y métricas de rendimiento.
  • Mitigar problemas comunes que surgen en el machine learning.
  • Crear datasets de entrenamiento, evaluación y prueba repetibles y escalables.

Módulo 3: TensorFlow en Google Cloud

  • Crear modelos de aprendizaje automático con TensorFlow y Keras.
  • Describir los componentes principales de TensorFlow.
  • Utilizar la librería tf.data para manipular datos y conjuntos de datos grandes.
  • Construir un modelo de ML que utilice capas de preprocesamiento de tf.keras.
  • Utilizar las API secuenciales y funcionales de Keras para la creación de modelos simples y avanzados.
  • Entrenar, implementar y poner en producción modelos de ML a escala con el Servicio de Entrenamiento de Vertex AI.

Módulo 4: Ingeniería de Características

  • Describir el Vertex AI Feature Store.
  • Comparar los aspectos clave requeridos de una buena característica.
  • Utilizar utilidades de preprocesamiento de tf.keras para trabajar con datos de imágenes, datos de texto y datos de secuencias.
  • Realizar ingeniería de características mediante BigQuery ML, Keras y TensorFlow.

Módulo 5: Machine Learningo en la Empresa

  • Comprender las herramientas necesarias para la gestión y gobernanza de datos.
  • Describir el mejor enfoque para la preprocesamiento de datos: desde proporcionar una visión general de Dataflow y Dataprep hasta el uso de SQL para tareas de preprocesamiento.
  • Explicar cómo difieren AutoML, BigQuery ML y el entrenamiento personalizado y cuándo utilizar un marco en particular.
  • Describir la optimización de hiperparámetros mediante Vertex AI Vizier para mejorar el rendimiento del modelo.
  • Explicar la monitorización de la predicción y del modelo y cómo Vertex AI se puede utilizar para gestionar modelos de ML.
  • Describir los beneficios de los Vertex AI Pipelines.
  • Describir las recomendaciones para la implementación y el servicio de modelos, la monitorización de modelos, los Vertex AI Pipelines y la organización de artefactos.

Convocatorias abiertas